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
<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>极客学院爬虫测试</title> </head> <body> <div> <a href="http://www.jikexueyuan.com/welcome.html"></a>《python定向爬虫入门》 <div> <ul> <li><a href="http://www.jikexueyuan.com/1.html">这是第一条</a></li> <li><a href="http://www.jikexueyuan.com/2.html">这是第二条</a></li> <li><a href="http://www.jikexueyuan.com/3.html">这是第三条</a></li> <li><a href="http://www.jikexueyuan.com/4.html">这是第四条</a></li> </ul> </div> </div> </body> </html>
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('<title>(.*?)</title>',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('<ul>(.*?)</ul>',html,re.S)[0]
print(text_filed)
print("===============================")
the_text = re.findall('">(.*?)</a>',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
原文地址：http://blog.51cto.com/sdsca/2057772
时间： 2024-11-06 13:43:23