文章目录
前言
当我们在爬取网页的时候,爬取到的结果中往往会包含很多杂乱的信息,这个时候就需要将我们感兴趣的信息进行提取。作为网页信息提取的基础,本文将带领大家学会怎样使用Python软件re模块的findall、sub函数提取文本中的目标信息。
一、findall、sub函数简介
findall和sub都是re模块的函数。
1、findall函数:搜索整个字符串,返回一个列表包含全部能匹配的子串。基本语法格式如下:
re.findall(pattern,string)
1)pattern,正则表达式;string,要检测的字符串;flag,匹配标记。
2)如果pattern里没有组,或只有一个组,返回列表,元素是匹配到的字符串。
2、sub函数:用于替换字符串中的匹配项。基本语法格式:
re.sub(pattern,repl,string)
pattern,正则表达式;repl,用于替换的字符串;string,要检测的字符串。
二、提取实例
1.提取字符串里面的数字
使用正则表达式提取下列字符串里的数字
Baidu 123 google 456
代码如下(示例):
import re
num=re.findall("\d{1,}","Baidu 123 google 456")
print(num)
2.提取英文中的单词
使用正则表达式提取下列英文中的单词
““i love you not because of who 234 you are, 234 but 3234ser because of who i am when i am with you””
代码如下(示例):
s="i love you not because of who 234 you are,234 but 234 3234ser because of who i am when i am with you"
content=re.findall(r"[a-zA-Z]+",s)
print(content)
3.提取超链接
从html文档中提取超链接
href=“http://www.baidu.com/link?url=d69oqDKZHSa_jQpnAbq0Z8pQqv72G5Z3DqfdOtXyu-L7KZEwCxWtSlxtlWvsUd9J” target=“_blank”>Welcome to Python.org
代码如下(示例):
s="""href="http://www.baidu.com/link?url=d69oqDKZHSa_jQpnAbq0Z8pQqv72G5Z3DqfdOtXyu-L7KZEwCxWtSlxtlWvsUd9J" target="_blank">Welcome to <em>Python</em>.org</a>"""
link=re.findall(r"http://[a-zA-Z0-9/\.\?\=_\-]*",s)
print(link)
4.匹配一行文字中的所有开头的字母或数字
匹配一行文字中的所有开头的字母内容
i love you not because of who you are, but because of who i am when i am with you
代码如下(示例):
s="i love you not because of who you are, but because of who i am when i am with you"
content=re.findall(r"\b\w",s)
print(content)
#匹配开头的所有数字时将\w替换为\d即可
5.提取年月日和时间字段
提取每行中完整的年月日和时间字段
"“se234 1987-02-09 07:30:00
1987-02-10 07:25:00"”
代码如下(示例):
s="se234 1987-02-09 07:30:00 1987-02-10 07:25:00"
content=re.findall(r"\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}",s)
print(content)
6.替换电子邮件地址
将每行中的电子邮件地址替换为你自己的电子邮件地址
““693152032@qq.com, werksdf@163.com, sdf@sina.com sfjsdf@139.com, soifsdfj@134.com, pwoeir423@123.com””
代码如下(示例):
s="""693152032@qq.com, werksdf@163.com, sdf@sina.com sfjsdf@139.com, soifsdfj@134.com, pwoeir423@123.com"""
content=re.sub(r"\w+@\w+.com","1234567890@qq.com",s)
print(content)
7.匹配合法的邮件地址
使用正则表达式匹配合法的邮件地址:
““xiasd@163.com, sdlfkj@.com sdflkj@180.com solodfdsf@123.com sdlfjxiaori@139.com saldkfj.com oisdfo@.sodf.com.com””
代码如下(示例):
s="""xiasd@163.com, sdlfkj@.com sdflkj@180.com solodfdsf@123.com sdlfjxiaori@139.com saldkfj.com oisdfo@.sodf.com.com"""
content=re.findall(r"\w+@\W+.com",s)
print(content)
总结
以上就是re模块findall、sub函数的使用,另外本文代码还涉及到正则表达式元字符的相关内容,大家可以点击链接正则表达式元字符进行学习。