Python学习笔记(八)—使用正则获取网页中所需要的信息。

栏目: Python · 发布时间: 6年前

内容简介:Python学习笔记(八)—使用正则获取网页中所需要的信息。

使用正则表达式的几个步骤:

1、用import re 导入正则表达式模块;

2、用re.compile()函数创建一个Regex对象;

3、用Regex对象的search()或findall()方法,传入想要查找的字符串,返回一个Match对象;

4、调用Match对象的group()方法,返回匹配到的字符串。

在交互式环境中简单尝试一下,查询字符串中的固话:

1 import re
2 text = '小明家的固话是0755-123456,而小丽家的固话时0789-654321,小王家的电话是123456789'#用于检测的字符串
3 
4 ph_re = re.compile(r'\d{4}?-\d+') #创建Regex对象,匹配几种电话的方式,\d表示0-9的数字,{4}表示前面的匹配4次,?表示可选,+表示出现1次或多次。
5 matchs1 = ph_re.findall(text) #findall()表示查找所有匹配项,返回一个字符串
6 matchs2 = ph_re.search(text)#search(),查找第一次匹配的文本,返回一个对象。
7 print(matchs1)
8 print(matchs2)
9 matchs2.group()

返回的结果,是这样的:

Python学习笔记(八)—使用正则获取网页中所需要的信息。

findall()方法返回的是一个字符串,可以直接打印出来。而search()方法返回的是一个对象,所以打印出来的是是如图的第二行。

调用group(),对象返回匹配的结果。

最后,小王的电话之所以没有匹配到,是因为'-'没有进行可选即在其后加上‘?’。

下面进行一个小的实验,获取某个网页中所有的http/https网址,并计算有多少个。

首先是获取HTML文件。这里要用到requests模块。

 1 # -*- coding: utf-8 -*-
 2 import requests
 3 import re
 4 
 5 
 6 def get_html(url):
 7     res = requests.get(url)
 8     res.encoding = 'utf-8'
 9     html = res.text
10     return html

这里get_html函数返回的,其实就类似上面例子中的text,用来匹配的文本。

然后,创建正则表达式:

 1 def get_addr(response):
 2     addr_regex = re.compile(r'''(
 3         (http://|https://)?  #http/https
 4         (www)?
 5         (\.[a-z1-9A-Z]+)
 6         (\.com|\.cn)
 7         )''',re.VERBOSE)#匹配网址,
 8     matchs = []
 9     for groups in addr_regex.findall(response):
10         matchs.append(groups[0])
11     if len(matchs) == 0:
12         print('没有网址')     
13     return matchs

这里向re.compile(),传入变量re.VERBOSE,作为第二个参数,可以将正则表达式放在多行,并进行注释,如上。

返回一个matchs列表对象。

再来个启动函数。

1 def start():
2     url = 'http://news.163.com/18/0127/18/D966K4CO0001899N.html'
3     a = get_html(url)
4     b = get_addr(a)
5     print('\n'.join(b))
6     print(str(len(b)))
7     print('ok')
8 if __name__ == '__main__':
9     start()

这里传入的url是我随意找的一个新闻链接。

然后调用get_html()和get_addr(),就得到了想要的东西。str(len(b)),为统计的数量。

测试的结果是类似这样的:

Python学习笔记(八)—使用正则获取网页中所需要的信息。

这里似乎获取一些URL,没什么卵用。。。但是,如果结合前面的查询新闻列表的方式,获取批量url,

而创建的正则是xxx.jpg,然后调用os模块,os.mkdir(folder)、os.chdir(folder),将获取到的匹配结果写入文件,放入某个文件夹。

那么就可以实现,从某些网站上批量获取jpg图片,然后存入某个文件夹的爬虫功能。实测,可行!


以上所述就是小编给大家介绍的《Python学习笔记(八)—使用正则获取网页中所需要的信息。》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

文明之光(第四册)

文明之光(第四册)

吴军 / 人民邮电出版社 / 2017-3 / 69.00元

计算机科学家吴军博士继创作《浪潮之巅》、《数学之美》之后,将视角拉回到人类文明史,以他独具的观点从对人类文明产生了重大影响却在过去被忽略的历史故事里,选择了有意思的几十个片段特写,有机地展现了一幅人类文明发展的画卷。《文明之光》系列创作历经整整四年,本书为其第四卷。 作者所选的创作素材来自于十几年来在世界各地的所见所闻,对其内容都有着深刻的体会和认识。《文明之光》系列第四册每个章节依然相对独......一起来看看 《文明之光(第四册)》 这本书的介绍吧!

JS 压缩/解压工具
JS 压缩/解压工具

在线压缩/解压 JS 代码

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换

HEX HSV 转换工具
HEX HSV 转换工具

HEX HSV 互换工具