欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

爬虫之正则表达式

程序员文章站 2022-04-27 20:58:18
1.学习爬虫,为什么必须会正则表达式? 我们爬取一些网页具体内容时,只需要这个网页某个标签的一部分内容就足够,或者是这个标签的某个属性的值时,用普通的 xpath 或者css.selector是不能完成的,此时我们就需用到正则表达式去匹配获取。2.正则表达式官方简介? 正则表达式,又称规则表达式。( ......

1.学习爬虫,为什么必须会正则表达式?
    我们爬取一些网页具体内容时,只需要这个网页某个标签的一部分内容就足够,或者是这个标签的某个属性的值时,用普通的 xpath 或者css.selector是不能完成的,此时我们就需用到正则表达式去匹配获取。
2.正则表达式官方简介?
    正则表达式,又称规则表达式。(在代码中常简写为regex、regexp或re),计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

 1  '''
 2  正则表达式
 3  '''
 4  
 5  import re
 6  
 7  line = 'jijianxksa123'
 8 
 9 # ^a 表示匹配以a开头的字符串(只匹配一次)
10 # . 表示该字符可为任意字符(只匹配一次)
11 # * 表示前面的字符可以出现任意次(0次或多次)(多次匹配)
12 reg_str01 = '^j.*'    # 表示以j开头的字符串
13 # re.match 函数
14 # 第一个参数是匹配的格式
15 # 第二参数是要匹配的字符串
16 # 返回值为:匹配成功,返回match对象,否则返回:none
17 
18 if re.match(reg_str01,line) :
19     print("匹配成功!")  # reg_str = '^j.*'     匹配成功
20 else:
21     print("匹配失败!")  # reg_str = '^i.*'     匹配失败
22 
23 
24 # 23$ 表示匹配以23结尾的字符串(只匹配一次)
25 reg_str02 = '^j.*23$'
26 if re.match(reg_str02,line) :
27     print("匹配成功!")  # reg_str = '^j.*23$'     匹配成功
28 else:
29     print("匹配失败!")  # reg_str = '^j.*13$'     匹配失败
30 
31 
32 line01 = 'boooboaobxby'
33 # () 内的为 匹配模式,通过 group函数 可以取出匹配结果
34 # 正则表达式贪婪匹配模式:从后面(右边)开始匹配
35 reg_str03 = '.*(b.*b).*'
36 test01 = re.match(reg_str03,line01)
37 if  test01:
38     print(test01.group(1))      # result : bxb
39 else:
40     print("匹配失败!")
41 
42 # 正则表达式非贪婪匹配模式:从前面(左边)开始匹配
43 # ? : 表示从左边开始匹配,匹配到第一个符合模式的内容,即进入模式
44 #
45 reg_str03 = '.*?(b.*b).*'   # 半贪婪匹配
46 reg_str04 = '.*?(b.*?b).*'  # 非贪婪匹配
47 test01 = re.match(reg_str03,line01)
48 test02 = re.match(reg_str04,line01)
49 if  test01 and test02:
50     print(test01.group(1))      # result : boooboaobxb
51     print(test02.group(1))  # result : booob
52 else:
53     print("匹配失败!")

 

 1  import re
 2  line01 = 'boooboaobcxby'
 3  
 4  def regtest(reg_str,line = line01):
 5     test = re.match(reg_str, line)
 6     if test:
 7         print(test.group(1))
 8     else:
 9         print("匹配失败!")
10 
11 # + :表示前面的字符,至少出现一次
12 reg_str04 = '.*(b.+b).*'  # (b.+b)表示b与b之间至少有一个字符
13 regtest(reg_str04)      # result : bcxb
14 
15 # {n} : 控制前面字符出现次数
16 # a{2} : 表示a出现两次
17 # b{3,4} : 表示b至少出现3次,最多出4次
18 # c{4,} : 表示c至少出现4次
19 reg_str05 = '.*(b.{2}b).*'  # (b.{2}b)表示匹配到的b与b之间,只有两字符
20 reg_str06 = '.*(b.{3,4}b).*'  # (b.{3,6}b)表示匹配到的b与b之间,至少有3个字符,至多有4个字符
21 reg_str07 = '.*(b.{4,}b).*'  # (b.{8,}b)表示匹配到的b与b之间,至少有4个字符
22 regtest(reg_str05)   # result : bcxb
23 regtest(reg_str06)   # result : boaob
24 regtest(reg_str07)   # result : boaobcxb
25 
26 # | :表示 或
27 # (abc|123) : 表示匹配到 abc 或者 123,都算匹配成功
28 reg_str08 = '.*(boo|abc)'
29 reg_str09 = '.*(abc|boo)'
30 regtest(reg_str08)   # result : boo
31 regtest(reg_str09)   # result : boo
32 
33 # [] : 表示 里面包含的内容都可以进行匹配,包含内容只有表面字符含义
34 # [abcd] : 表示 只要这个字符为 a/b/c/d中的一个都可以匹配成功
35 # [0-9] : 表示 只要这个字符在 0-9 这个区间内,都可以匹配成功
36 # [^x] : 表示匹配 字符不为 x
37 line02 = '电话号:15573563467'
38 reg_str10 = '.*(1[3458][0-9]{9}).*'
39 reg_str11 = '.*(1[3458][^1]{9}).*'
40 regtest(reg_str10,line02)   # result : 15573563467
41 regtest(reg_str11,line02)   # result : 15573563467
42 
43 # \s 表示匹配空格,匹配一次
44 # \s 表示匹配不是空格的字符,匹配一次
45 # \w 表示匹配 a-z、0-9、_ 中的容易字符,匹配一次
46 # \w 与 \w 相反
47 # \d 表示数字
48 # [\u4e00-\u9fa5] : 表示所有汉字,unicode 编码
49 
50 def regtest_test(reg_str,line = line01):
51     test = re.match(reg_str, line)
52     if test:
53         print(test.group(1)+':'+test.group(2)+'-'+test.group(3)+'-'+test.group(4))
54     else:
55         print("匹配失败!")
56 
57 # 简单实例
58 str01 = '张三出生于1997年12月20日'
59 str02 = '李四出生于1989-01-20'
60 str03 = '王五出生于1997/2/5'
61 str04 = '赵六出生于1997.12.20'
62 str = [str01,str02,str03,str04]
63 # 提取出姓名+出生日期
64 # 匹配模式
65 reg_str12 = '(.*)出生于(\d{4})[.年/-](\d{1,2})[.月/-](\d{1,2}).*?'
66 for i in range(4):
67     regtest_test(reg_str12,str[i])
68 # result :
69 #       张三:1997-12-20
70 #       李四:1989-01-20
71 #       王五:1997-2-5
72 #       赵六:1997-12-20

注:此文来自网络,回归网络