今天学习的内容开始算的上是正式摸到了爬虫的大门。
主要内容:数据解析式,正则表达式,re解析式。
正则表达式其实感觉还好,主要是多理解,慢慢看总会越看越快的。老师的代码可以加上自己的小创意,出bug了不要怕,自己去解决才能相互印证所学知识。正好今天学正则表达式,下午就看了一篇热门的正则表达式,我觉得写的还不错,贴在这里:
【Pyhton 爬虫】正则表达式_Riding the snail chase missiles ~-CSDN博客
今天的代码量偏少,主要都是讲的正则表达式的内容
正则表达式:元字符,量词,贪婪匹配,惰性匹配
re模块:基于python,分为:findall,finditer,search,match,compile.
findall:匹配所有满足要求的字符串,返回列表,列表效率不高,所以主要使用finditer,finditer返回的是迭代器,循环打印它的group()才能查看结果。search是返回第一次匹配成功的结果,match更加极端,正则表达式需求的字符没有出现在搜索字符串开头就会报错。
利用(?P<分组名称>正则表达式)就可以在循环打印的时候分别打印不同的分组数据
下面就是今天的所有代码。
#re解析,正则表达式,速度最快regular expression,难度大,(https://tool.oschina.net/regex正则表达式在线测试网站) #bs4解析,最简单,执行效率不高 #xpath解析,简单,规则简单,舒服 #re解析 #元字符:具有固定含义的特殊字符 #.:匹配除了换行符以外的所有字符 #\w:匹配数字或者字母,换成大写W则表示取反,匹配除了数字和字母以外的所有 #\s:匹配所有空白符,换行,制表,空格,大写S匹配非空白符 #\d:匹配数字 #\n:匹配换行符 #\t:匹配制表符 #^,$匹配字符的开始和结束,在爬虫中使用不多,但是在校验时使用较多 #a|b:表示或者 #要进行正则式匹配时,括号要尤其注意! #():匹配括号内表达式 #[]:匹配字符组内所有字符,例如匹配所有数字字母下划线[a-zA-Z0-9_],在[]最前加上^表示取反,例如[^......] #量词: #*:重复0次或者更多次 #+:重复1次或者更多次 #?:重复0次或者1次 #{n}:重复n次 #{n,}:重复n次或者更多次 #{n,m}:重复n到m次 #贪婪匹配:.* #惰性匹配:.*?尽可能少匹配,.表示任意匹配,*表示重复任意次,?表示最多一次。整体表达尽可能少的匹配(利用回溯算法) # #re模块 # #findall:匹配字符串中所有符合正则表达式的子字符串 import re # lst=re.findall(r"\d+","我的电话号是:10010") # print(lst) # # #finditer:匹配字符串中所有的内容,返回迭代器,从迭代器中获得内容使用.group(),迭代器的效率高于列表 # it=re.finditer(r"\d+","我的电话号是:10010") # print(it) # for i in it: # print(i.group()) # #search,找到一个结果就返回,返回的对象时match对象,需要用group()提取数据 # ser=re.search(r"\d+","我的电话号是:10010") # print(ser.group()) # #match是从头开始匹配,如果开头没有匹配上直接报错 # s=re.match(r"\d+","我的电话号是:10010") # print(s.group()) # #预加载正则表达式 # obj=re.compile(r"\d+") # # ret=obj.finditer("我的生日是:19961112,我老婆的生日是:19980407") # for r in ret: # print(r.group()) s=""" <div class='jack'><span id='1'>杰克</span></div> <div class='smith'><span id='2'>史密斯</span></div> <div class='white'><span id='3'>怀特</span></div> <div class='pink'><span id='4'>小粉</span></div> <div class='mike'><span id='5'>麦克</span></div> <div class='lucky'><span id='6'>幸运</span></div> <div class='piggy'><span id='7'>小猪</span></div> <div class='pappy'><span id='8'>小小猪</span></div> <div class='hammer'><span id='9'>翰墨</span></div> <div class='gump'><span id='10'>甘</span></div> <div class='forrest'><span id='11'>森林</span></div> """ #(?P<分组名字>正则表达式)这样写了之后,在后面的循环打印分组时就可以把所需信息单独提取出来 obj=re.compile(r"<div class='.*?'><span id='(?P<xh>\d+)'>(?P<rm>.*?)</span></div>",re.S)#S参数能让.匹配换行符 result=obj.finditer(s) for r in result: print(r.group("xh")) print(r.group("rm"))