数据采集--re(正则表达式)抽取网页数据

本文介绍了如何使用Python的re模块,通过正则表达式从奇客网站抓取文章标题,涉及了re.compile(), re.search(), re.findall()和re.sub()方法的应用,以及改变匹配模式的技巧。
摘要由CSDN通过智能技术生成

正则表达式

简称Regex或re,正规表示法或常规表示法。

用于检索、替换符合某个模式的文本

正则表达式是一段字符串,可以表示一段有规律的信息。

re语法

正则表达式-语法

python中的正则表达式

所有正则表达式相关的都在re包中

re.compile() re匹配模型 两个参数(正则表达式,更改字符匹配规则)

re.search() re字符串查找 三个参数(查找的字符串,被查找的字符串,更改字符匹配规则)

re.findall() re匹配方法,返回所有结果,list

re.sub() re模块的replace方法

re.split() re模块的split方法

改变匹配模式的参数值
1. re.I(re.IGNORECASE): 忽略大小写
2. re.M(MULTILINE): 多行模式,改变’^‘和’$‘的行为
3. re.S(DOTALL): 点任意匹配模式,改变’.'的行为
4. re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
5. re.U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
6. re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释


re.compile()方法

compile方法将正则表达式的字符串转化为Pattern匹配对象

re.search()方法

search()方法用于在整个字符串中搜索第一个匹配的值,如果匹配成功,则返回一个Match对象,则返回None

res = re.search(‘python’,‘dsajnjd python.’),前两个参数是必选
由于字符串能匹配到,所以此时tes是一个Match对象.
Match对象的group()方法可以返回匹配到内容
re对字符大小写等的敏感,可以通过设置第三个参数改变原有的匹配模式
Match对象的start()和end()分别返回匹配到的字符串起始和结束位置,span()返回一个(start,end)元组。Match.string是第二个参数的值

re.findall()方法

搜索整个String(第二个参数)
返回一个包含所有符合匹配规则(第一个参数)的字符串的列表
设置第三个参数可以更改匹配模式。前两个必选

re.sub()方法

re.sub是个正则表达式方面的函数,用来实现通过正则表达式,实现比普通字符串的replace更加强大的替换功能。
re.sub()方法有五个参数,前三个参数必选
第一个参数是匹配规则
第二个参数是字符串(替换字符串)
第三个参数是原字符串(匹配规则匹配到的字符被替换为第二个参数)
第四个参数是最多替换次数,默认值为0,0表示全部替换
第五个参数是可以更改匹配模式

re.split()方法

按照匹配规则,分割匹配到字符串,返回一个列表。
四个参数,前两个必选
第一个参数是匹配规则
第二个参数是等待被分割的字符串
第三个参数时分割的最大次数,默认为零,表示全部分割
第四个参数改变原有匹配模式

re案例

爬取奇客https://www.solidot.org/ 的标题

网页样式



分析网页源码

F12打开开发者模式,点击 “在页面中选择一个元素已进行检查功能”或者Ctrl+Shift+C开启此功能。

找到标题在html中位置

不断回溯,不难发现标题全在block_m中的bg_htit标签内



编写python程序
在python中编写代码,由于此网站没有反爬措施,不需要其他手段,直接用requests.get().text获取网页源码

搜索 bg_htit

编写匹配规则,re.compile(r’div class=“bg_htit”>(.*?)'re.S),找到所有此标签(由于存在换行符,所以要用re.S改变 . 的匹配模式)

运行打印,简单分析一下标题有两种但都在a标签内

编写一个for循环并写一个规则来匹配标题re.compile(r’<a .*?>(.*?)’)

简单打印一下

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

loftiest

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值