爬虫入门到精通-网页的解析（正则）

2019年8月19日 222次阅读 来源: kimg1234

本文章属于爬虫入门到精通系统教程第五讲

在爬虫入门到精通第四讲中，我们了解了如何下载网页，这一节就是如何从下载的网页中获取我们想要的内容

万能匹配

html = u"""
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>文章的标题</title>
</head>
<body>
    <div id="app" class="container">
        <h1>h1文字</h1>

        <label for="input">Input</label>
        <textarea id="input" rows="10" class="form-control">
</body>
</html>
"""

我们要获取的html 如上所示，

假如我们要获取文章的标题这几个文字，那么我们应该怎么做呢？

我们只要能定位到它，也就能获取到它

那么，如何定位到它呢？

很简单,根据它两边的内容.

我们很简单的能发现 它 左边是<title> ,右边是</title>

所以，我们如何找到文章的标题这几个文字呢，只要左边是<title> ,右边是</title>，那么中间就是我们要找的

下面用程序写出来

《爬虫入门到精通-网页的解析（正则）》

可以看到我们正确匹配到了文章的标题，

我们首先来看 pattern = '<title>(.*?)</title>'

我们可以发现这就是我们上面讲的,左边是<title> ,右边是</title>,那么中间的(.*?)是什么呢？这其实是来用来声明我们要匹配的字符串是什么,这边我们用的是(.*?),表示我们要匹配的字符串可以是任何东西,没有格式要求。也就是俗称”万能匹配”，大家可以下图的正则表达式语法，来解释下为什么 .*? 是万能匹配, .*？ 外面的 () 又是什么鬼

string=html 表示我们当前要被匹配的是我们定义的html

最后flags=re.S 表示(.*?)中的 . 可以匹配包括换行符（见下面表）

[0] 是取返回列表中的第一个，主要是方便演示

正则表达式语法（声明我们要匹配的字符串是什么格式的）

图片来自 博客园

《爬虫入门到精通-网页的解析（正则）》

re中所有的flags解释

《爬虫入门到精通-网页的解析（正则）》

最后再来一个案例，还是上面的html，我们需要匹配的内容是h1文字

代码如下

《爬虫入门到精通-网页的解析（正则）》

本文使用notebook编写完成，全文在github上

总结

看完本篇文章后，你应该要：

学会最通用的一种正则表达式

re.findall('左右的字符串(.*?)右边的字符串',等待匹配的字符串,flags)

大家想深入了解正则表达式的话

请 先看这一篇 正则表达式30分钟入门教程

再看这一篇 Regular expression operations

最后的最后，收藏的大哥们，能帮忙点个赞么~

    原文作者：kimg1234
    原文地址: https://segmentfault.com/a/1190000009044839
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞