Python爬虫基础——re模块的提取和匹配
Posted WoLykos
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Python爬虫基础——re模块的提取和匹配相关的知识，希望对你有一定的参考价值。
re是Python的一个第三方库。
为了能更直观的看出re的效果，我们先新建一个HTML网页文件（可直接复制）：
index.html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body>
<footer>
<div>
<div class="email">
Email:re@qq.com
</div>
<div class="tel">
手机号:88888888
</div>
</div>
</footer>
</body>
</html>OK，然后我们进入主题。
re主要有三个功能：提取、匹配、替换。
1、提取findall：
re.findall(【正则表达式】, 【被提取的字符串】)
注意：返回的类型是列表
我们应如何取出上文index.html中的Email或者手机号呢：
import re
with open('index.html', 'r', encoding='utf-8') as f:
# 读取index.html
html = f.read()
# 把html中的换行符，去掉，也就是替换成空字符串，因为.不能匹配到换行符
html = re.sub('
', '', html)
print(html)
# 定义正则表达式，注意括号
pattern_1 = '<div class="email">(.*?)</div>'
# re.findall(【正则表达式】,【被提取的字符串】)，返回类型是列表
ret_1 = re.findall(pattern_1, html)
# 字符串.strip()，可以去除首位的空格和换行符
print(ret_1[0].strip())2、匹配match：
re.match(【正则表达式】, 【被匹配的字符串】)
注意：
如果匹配成功，返回<class ‘re.Match‘>对象；
如果匹配不成功，返回None。
我们应如何编写定义密码的正则表达式呢：
import re
# 英文字母开头，可包括应为字母，数字、下划线，总位数6-16位
password_pattern = r'^[a-zA-Z][a-zA-Z0-9_]{5,15}$'
# 定义三个密码
pass1 = '1234567'
pass2 = 'k123456'
pass3 = 'k123'
# 打印测试结果，匹配成功返回re.Match对象，不成功返回None
print(re.match(password_pattern, pass1))
print(re.match(password_pattern, pass2))
print(re.match(password_pattern, pass3))输出结果为：
3、替换sub：
re.sub(【正则表达式】, 【替换成的字符串】, 【被匹配的字符串】)
觉得没看过sub的同学，那只能说明你看笔记不认真了，示范代码请看上上文~~
以上是关于Python爬虫基础——re模块的提取和匹配的主要内容，如果未能解决你的问题，请参考以下文章