一.学习链接
参考链接:
https://www.bazhuayu.com/tutorial8/81srgjc
https://www.bazhuayu.com/tutorial8/81gshsj
本文学习内容分享均来自上面学习链接的分享!
二.学习视频
(一)京东关键词循环
(二)豆瓣数据格式化(摘抄)
采集中我们发现作者和出版社等信息都混到了一起,如果我们只想要其中的一部分怎么办?
字段提取完成以后,鼠标移动到目标字段上,然后点击 【...】按钮,选择【格式化数据】,就会进入【格式化数据】配置页面。
原始值:原始字段
结果:经过格式化步骤后,输出的字段结果
添加步骤:提供8个数据格式化选项:替换、正则表达式替换、正则表达式匹配、去除空格、添加前缀、添加后缀、日期时间格式化、Html。
以下将配合具体案例,详解这8个选项如何使用
1.替换
将字段中的部分或全部内容替换为其他内容,支持文字、数字、符号、空格、换行符的替换
例如:如果我们想将字段【436665人评价】中的文本【人评价】去掉,只留下数字【43665】。
具体步骤为:
2、正则表达式替换
用正则表达式将字段中的部分或全部内容找出来,然后将其替换为其他内容,支持文字、数字、符号、空格、换行符的替换。相比简单的【替换】,【正则表达式替换】更为强大灵活。
在提取书籍信息时,我们发现采集到的数据中有很多空格,我们想将空格去除掉
【正则表达式】:\s+(这条正则表达式的意思是,找到字段中所有的空格)
3、正则表达式匹配
用正则表达式将字段中的部分或全部内容提取出来
实例:在采集数据中,我们只需要作者这一行的信息
首先使用正则表达式替换,将空格全部替换为空
接着使用正则表达式匹配将作者的相关信息提取出来
4、去除空格
包括三种,分别是【去除开头空格】、【去除结尾空格】、【去除两头空格】
5、添加前缀
增加前缀,就是在采集的字段前增加相关信息,如下图所示
6、添加后缀
怎么理解增加前缀,就是在采集的字段后增加相关信息
7、日期时间格式化
选中时间字段,选择【日期时间格式化】,将日期转化成需要的格式或者仅提取日期时间中的某一部分。
8、HTML转码
html页面中会有html带有相关的特殊标记,需要将这些特殊的标记进行转换,比如gt;转化为>,nbsp;转化为空格等等,当然这种类型也能用替换来解决。
三正则表达式
1、正则表达式简介
正则表达式是对字符串(包括普通字符(例如,a 到 z 之间的字母)和特殊字符(称为“元字符”))操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个【规则字符串】,这个【规则字符串】用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式,该模式描述在搜索文本时要匹配的一个或多个字符串。
2、正则表达式的用途
字符串匹配(字符匹配)
字符串查找
字符串替换
四.练习与思考
1.在数据采集过程中,数据格式化作用是什么?为什么要进行数据格式化?
在实际的采集过程中,采集到的数据可能不满足我们的需求,因此需要对数据进行格式化。
2.除了在数据采集中,正则表达式能用在学习和生活中的哪些方面?
正则表达式明确编译后,它可以描述和分析复杂的文本,提高工作和学习效率。