数据采集--re（正则表达式）抽取网页数据

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,否则返回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