爬虫之正则解析

Posted 程序员唐丁

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫之正则解析相关的知识,希望对你有一定的参考价值。

一、什么是正则

正则表达式描述了一种字符串匹配的模式,可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。

二、爬虫上什么场景下用正则

这个很难说,对于初学者或者一般的结构比较“规范”(也就是人家没想搞你)的网页数据,直接用XPath或者bs4就可以解析网页数据了,但是有时候爬虫你会发现数据不是在html中,也不是在json包中,而是在返回的js里。这个时候XPath或者bs4不能解决了,就只有采用正则了。当然,后期正则使用比较熟练的情况下,能正则就正则。因为正则入门的门槛相对于XPath或者bs4要高一点,但是都掌握的情况下,正则显然解析数据更快速。

三、正则实例介绍(匹配字符串中的邮箱)

import re
#待匹配的字符串
str_test = "唐丁的邮箱是donding@163.com,It's good"

#构造匹配的正则表达式
reg = r'[a-zA-Z0-9]+@163.com'
re.search(reg,str_test).group()
>>output:'donding@163.com'

这个不是适用所有字符串的邮箱匹配的,如果字符串全是英文肯定就不行了,匹配的正则表达式需要根据实际的字符串来灵活变化。

四、正则常用知识点

1、正则表达式中,如果直接给出字符,就是精确匹配。

例如: reg = “唐丁” ,可以匹配出字符串中含有的“唐丁”;

2、用\\d可以匹配一个数字,\\w可以匹配一个字母或数字

例如:‘00\\d’可以匹配‘007’,但无法匹配‘00A’;

​ ‘\\d\\d\\d’可以匹配‘010’;

​ ‘\\w\\w\\d’可以匹配‘py3’;

3、.可以匹配任意字符

例如:'py.'可以匹配'pyc''pyo''py!'等等

4、*表示任意个字符(包括0个),用+表示至少一个字符,用?表示0个或1个字符,用{n}表示n个字符,用{n,m}表示n-m个字符

例如:\\d{3}表示匹配3个数字,例如'010'

\\s可以匹配一个空格(也包括Tab等空白符),所以\\s+表示至少有一个空格,例如匹配' '

\\d{3,8}表示3-8个数字,例如'1234567'

5、[0-9a-zA-Z\\_]可以匹配一个数字、字母或者下划线

6、[0-9a-zA-Z\\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串

7、[a-zA-Z\\_][0-9a-zA-Z\\_]*可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串

8、[a-zA-Z\\_][0-9a-zA-Z\\_]{0, 19}更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符)

9、D|d可以匹配D或d,所以(P|p)ython可以匹配'Python'或者'python'

10、^表示行的开头,^\\d表示必须以数字开头

11、$表示行的结束,\\d$表示必须以数字结束

以上是关于爬虫之正则解析的主要内容,如果未能解决你的问题,请参考以下文章

爬虫之正则解析

爬虫之汽车之家(正则表达式)

python爬虫--解析网页几种方法之正则表达式

爬虫之数据解析的三种方式

爬虫解析Re 之(六 ) --- Re模块

爬虫之数据解析,网页源码数据分析