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

编译原理

编译原理

Alfred V. Aho、Monica S.Lam、Ravi Sethi、Jeffrey D. Ullman / 赵建华、郑滔、戴新宇 / 机械工业出版社 / 2008年12月 / 89.00元

本书全面、深入地探讨了编译器设计方面的重要主题,包括词法分析、语法分析、语法制导定义和语法制导翻译、运行时刻环境、目标代码生成、代码优化技术、并行性检测以及过程间分析技术,并在相关章节中给出大量的实例。与上一版相比,本书进行了全面的修订,涵盖了编译器开发方面的最新进展。每章中都提供了大量的系统及参考文献。 本书是编译原理课程方面的经典教材,内容丰富,适合作为高等院校计算机及相关专业本科生及研......一起来看看 《编译原理》 这本书的介绍吧!

HTML 压缩/解压工具
HTML 压缩/解压工具

在线压缩/解压 HTML 代码

RGB转16进制工具
RGB转16进制工具

RGB HEX 互转工具

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换