Python爬虫内正则模块【re库】的用法详解【重点】

---

​🕶️师兄简介：机械专业，通过自学成功进入IT领域，求学期间实现经济独立，对自学、兼职、计算机、学习规划等有独到见解！「点击了解更多」

🤖师兄致力解决在大学生活与学习中遇到的各种问题.

🎁 公众号「渣师兄」内回复「渣学」可获得超 5T 的新生见面礼！

🔗官方网站： 渣学网 →「zhaxueit.cn」→ 大学生活与学习一站式解决方案.

🙏找师兄帮忙「无偿」请➕💓：zhaxueit

📓进资源群「每日分享」【免费】(坑位有限)也请➕💓：zhaxueit 并备注「进群」
​
👀个人主页：@渣师兄 ，欢迎关注、私信师兄！

---

🐐 登高必自卑，行远必自迩.
🍇 我始终坚信越努力越幸运
⭐️ 那些打不倒我们的终将会让我们变得强大
🍑 希望在编程道路上深耕的小伙伴都会越来越好

---

---

Python被正则模块（re）的使用

正则模块 re 抓取数据的两种方法形式

第一种形式(直接使用findall（查找数据）方法)：

data_list = re.findall（正则表达式，待匹配字符串，re.S）

第二种形式（先创建正则编译对象在调用findall等方法）：

pattern = re.compile（正则表达式，re.S）
data_list = pattern.findall(待匹配字符串)

注意事项：一般大佬都用第二种形式，因为正则写好一个可以多次调用

图示：

正则模块 re 方法的 re.S参数的作用

作用：正则表达式中的元字符 . 可以匹配任意字符（除了换行符/n），在findall等方法内部加上参数 re.S后 元字符 . 就可以匹配换行符/n啦

注意：在抓取 html 代码时一定不要忘记写 re.S参数，因为 html 代码有很多换行符

图示：

正则表达式贪婪模式以及非贪婪模式的注意事项

元字符 ？功能： ？ 前一个字符出现1次或者0次

贪婪模式：在满足匹配规则的前提下尽可能多的匹配数据

非贪婪模式：在满足匹配规则的前提下尽可能少的匹配数据

注意事项：

1：贪婪模式与非贪婪模式说的都是在匹配多个字符时才适用，即元字符 * + ？

2：python程序默认是贪婪模式匹配数据

3：在匹配多个数据的元字符（* + ？）后面加上 ？ 就可将贪婪模式转变为非贪婪模式，注意一定是在匹配多个元字符后面加才管用！！！

正则表达式单个分组以及多个分组的用法

用法【单个分组】：如果在正则表达式的一部分加上单个分组，也就是一个（） 那么在调用 findall方法时，只将符合分组内的数据提取到列表内！

用法【多个分组】：如果在正则表达式的一部分加上多个分组，也就是多个（） 那么在调用 findall方法时，将符合多个分组内的数据先保存到一个元组内，然后在匹配其他符合分组的数据，再次存放到另一个元组内，然后在将多个元组存放至列表中【列表内嵌套元组】

图示【单个分组】 【多个分组】：

正则表达式匹配html数据的技巧【重点】

目标：掌握正则表达式匹配 html 代码的技巧

正则表达式匹配 html 代码的技巧

实例html代码如下（提取电影名、主演、上映时间）：

正则表达式可以这么写！！

对应的正则表达式：

<div class="movie-item-info">.*?<a href="/films/[0-9]+" title="(.*?)".*?<p class="star">\s+主演：(.*?)\s+</p>\s+<p class="releasetime">上映时间：(.*?)</p>

书写正则的技巧：

1：第一个包含类的标签一定要写出来（例如 <div class="movie-item-info">）这样正则可一下就找出来匹配的数据在那个标签类

2：待匹配的数据要加上分组，一般都是这么写 （.*？），这样可被findall方法直接匹配出来

3：待匹配数据的前一个标签一般要按照给出的写出来（也可以不写！）

4：.*？正则表达式是一个很好的东西哦，一定要学会使用！！！

5：因为加上了 re.S 参数，所以 . 可以匹配任何数据

图示：

未完待续…