爬虫实践入门：解析网页

使用正则表达式解析网站
常见的正则字符和含义

模式	描述
.	匹配任意字符，除了换行符
*	匹配前一个字符0次或多次
\s	匹配空白字符
+	匹配前一个字符1次或多次
？	匹配前一个字符0次或1次
\S	匹配任何非空白字符
^	匹配字符串开头
$	匹配字符串末尾
()	匹配括号内的表达式，也表示一个组
\d	匹配数字，等价于[0-9]
\D	匹配任何非数字，等价于[^0-9]
\w	匹配字母数字，等价于[A-Za-z0-9]
\W	匹配非字母数字，等价于[^A-Za-z0-9]
[]	用来表示一组字符

接下来介绍的是:re.match\re.reach\re.findall
re.match:从字符串起始位置匹配一个模式，如果从起始位置匹配不了，match就返回none.
re.match(pattern,string,flags=0)
pattern是正则表达式，包含一些特殊的字符，string为要匹配的字符串，flags用来控制正则表达式的匹配方式。
re.search扫描整个字符串并返回第一个成功的匹配
re.findall可以找到所有的匹配
使用BeautifulSoup解析网站
BeautifulSoup可以从HTML或XML文件中提取数据
主要的解析器及其优缺点：

解析器	使用方法及优缺点
python标准库	BeautifulSoup(Markup,“html.parser”）优势：python的内置标准库，执行速度适中；文档容错能力强； 劣势L:速度较慢
Lxml HTML解析器	BeautifulSoup（markup,“xml”） 优势：速度款，文档容错能力强，bs4自带；无缺点
lxml XML解析器	BeautifulSoup(markuo,[“lxml”,“xml”]) BeautifulSoup(markup,“xml”) 优势