python 正则表达式知识点
正则 常用符号
. : 匹配任意字符,换行符除外
* : 匹配前一个字符 0 次或者无限次
? : 匹配前一个字符 0次或者1次
.* : 贪心算法
.*? :非贪心算法
(): 括号内的数据作为结果返回
正则常用方法:
findall: 匹配所有符合规律的内容,返回包含结果的列表
Search: 匹配并提取第一个符合规律的内容,返回一个正则表达式对象
Sub: 替换符合规律的内容,返回替换后的值
正则表达式的基本应用 ,使用正则表达式过滤一个简单的test文件
test 文件如下html>
极客学院爬虫测试- 这是第一条
- 这是第二条
- 这是第三条
- 这是第四条
正则使用效果如下#coding:utf-8
import re
old_url='http://www.jikexueyuan.com/course/web/?pageNum=2'
total_page=13
f = open('t1.txt','r',encoding="utf-8")
html = f.read()
f.close()
#爬取标题
title = re.search('
(.*?)',html,re.S).group(1)#使用search 找到所需要的内容,就返回print(title)
执行代码,显示如下
极客学院爬虫测试
#爬取链接
links = re.findall('href="(.*?)"',html,re.S)
print(links)
执行代码,显示如下
['http://www.jikexueyuan.com/welcome.html', 'http://www.jikexueyuan.com/1.html', 'http://www.jikexueyuan.com/2.html', 'http://www.jikexueyuan.com/3.html', 'http://www.jikexueyuan.com/4.html']
#提取文字
text_filed = re.findall('
- (.*?)
print(text_filed)
print("===============================")
the_text = re.findall('">(.*?)',text_filed,re.S)
for every_text in the_text:
print(every_text)
执行代码,显示如下
这是第一条
这是第二条
这是第三条
这是第四条
#sub 实现翻页功能
for i in range(7,total_page+1):
new_link = re.sub('pageNum=\d+','pageNum=%d' %i,old_url,re.S)
print(new_link)
执行代码,显示如下
http://www.jikexueyuan.com/course/web/?pageNum=7
http://www.jikexueyuan.com/course/web/?pageNum=8
http://www.jikexueyuan.com/course/web/?pageNum=9
http://www.jikexueyuan.com/course/web/?pageNum=10
http://www.jikexueyuan.com/course/web/?pageNum=11
http://www.jikexueyuan.com/course/web/?pageNum=12
http://www.jikexueyuan.com/course/web/?pageNum=13