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:
技术图片

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

正则表达式 --python re模块

py爬虫 —— py爬虫基础re库

python爬虫入门re模块-正则表达式

常见的爬虫分析库-Python正则表达式与re模块

Python 爬虫正则表达式和re库,及re库的基本使用,提取单个页面信息

Python 爬虫正则表达式和re库,及re库的基本使用,提取单个页面信息