Python学习笔记（八）—使用正则获取网页中所需要的信息。

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：

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：

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:

• 通过正则来获取URL的参数值
• 带答案面经分享-L1正则&L2正则
• 神经网络中的网络优化和正则化（四）：正则化
• 正则表达式 – 如何使用正则表达式进行Erlang模式匹配？
• 正则表达式创建方式的区别及编写简单的正则方式(js学习总结)
• JavaScript正则表达

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。