爬蟲之正則表達式

来源:https://www.cnblogs.com/Lee1010/archive/2019/01/04/10222393.html
-Advertisement-
Play Games

1.學習爬蟲,為什麼必須會正則表達式? 我們爬取一些網頁具體內容時,只需要這個網頁某個標簽的一部分內容就足夠,或者是這個標簽的某個屬性的值時,用普通的 xpath 或者css.selector是不能完成的,此時我們就需用到正則表達式去匹配獲取。2.正則表達式官方簡介? 正則表達式,又稱規則表達式。( ...


1.學習爬蟲,為什麼必須會正則表達式?
    我們爬取一些網頁具體內容時,只需要這個網頁某個標簽的一部分內容就足夠,或者是這個標簽的某個屬性的值時,用普通的 xpath 或者css.selector是不能完成的,此時我們就需用到正則表達式去匹配獲取。
2.正則表達式官方簡介?
    正則表達式,又稱規則表達式。(在代碼中常簡寫為regex、regexp或RE),電腦科學的一個概念。正則表達式通常被用來檢索、替換那些符合某個模式(規則)的文本。

 1  '''
 2  正則表達式
 3  '''
 4  
 5  import re
 6  
 7  line = 'jijianXksA123'
 8 
 9 # ^a 表示匹配以a開頭的字元串(只匹配一次)
10 # . 表示該字元可為任意字元(只匹配一次)
11 # * 表示前面的字元可以出現任意次(0次或多次)(多次匹配)
12 reg_str01 = '^j.*'    # 表示以j開頭的字元串
13 # re.match 函數
14 # 第一個參數是匹配的格式
15 # 第二參數是要匹配的字元串
16 # 返回值為:匹配成功,返回match對象,否則返回:None
17 
18 if re.match(reg_str01,line) :
19     print("匹配成功!")  # reg_str = '^j.*'     匹配成功
20 else:
21     print("匹配失敗!")  # reg_str = '^i.*'     匹配失敗
22 
23 
24 # 23$ 表示匹配以23結尾的字元串(只匹配一次)
25 reg_str02 = '^j.*23$'
26 if re.match(reg_str02,line) :
27     print("匹配成功!")  # reg_str = '^j.*23$'     匹配成功
28 else:
29     print("匹配失敗!")  # reg_str = '^j.*13$'     匹配失敗
30 
31 
32 line01 = 'boooboaobxby'
33 # () 內的為 匹配模式,通過 group函數 可以取出匹配結果
34 # 正則表達式貪婪匹配模式:從後面(右邊)開始匹配
35 reg_str03 = '.*(b.*b).*'
36 test01 = re.match(reg_str03,line01)
37 if  test01:
38     print(test01.group(1))      # result : bxb
39 else:
40     print("匹配失敗!")
41 
42 # 正則表達式非貪婪匹配模式:從前面(左邊)開始匹配
43 # ? : 表示從左邊開始匹配,匹配到第一個符合模式的內容,即進入模式
44 #
45 reg_str03 = '.*?(b.*b).*'   # 半貪婪匹配
46 reg_str04 = '.*?(b.*?b).*'  # 非貪婪匹配
47 test01 = re.match(reg_str03,line01)
48 test02 = re.match(reg_str04,line01)
49 if  test01 and test02:
50     print(test01.group(1))      # result : boooboaobxb
51     print(test02.group(1))  # result : booob
52 else:
53     print("匹配失敗!")

 

 1  import re
 2  line01 = 'boooboaobcxby'
 3  
 4  def regtest(reg_str,line = line01):
 5     test = re.match(reg_str, line)
 6     if test:
 7         print(test.group(1))
 8     else:
 9         print("匹配失敗!")
10 
11 # + :表示前面的字元,至少出現一次
12 reg_str04 = '.*(b.+b).*'  # (b.+b)表示b與b之間至少有一個字元
13 regtest(reg_str04)      # result : bcxb
14 
15 # {n} : 控制前面字元出現次數
16 # a{2} : 表示a出現兩次
17 # b{3,4} : 表示b至少出現3次,最多出4次
18 # c{4,} : 表示c至少出現4次
19 reg_str05 = '.*(b.{2}b).*'  # (b.{2}b)表示匹配到的b與b之間,只有兩字元
20 reg_str06 = '.*(b.{3,4}b).*'  # (b.{3,6}b)表示匹配到的b與b之間,至少有3個字元,至多有4個字元
21 reg_str07 = '.*(b.{4,}b).*'  # (b.{8,}b)表示匹配到的b與b之間,至少有4個字元
22 regtest(reg_str05)   # result : bcxb
23 regtest(reg_str06)   # result : boaob
24 regtest(reg_str07)   # result : boaobcxb
25 
26 # | :表示 或
27 # (abc|123) : 表示匹配到 abc 或者 123,都算匹配成功
28 reg_str08 = '.*(boo|abc)'
29 reg_str09 = '.*(abc|boo)'
30 regtest(reg_str08)   # result : boo
31 regtest(reg_str09)   # result : boo
32 
33 # [] : 表示 裡面包含的內容都可以進行匹配,包含內容只有錶面字元含義
34 # [abcd] : 表示 只要這個字元為 a/b/c/d中的一個都可以匹配成功
35 # [0-9] : 表示 只要這個字元在 0-9 這個區間內,都可以匹配成功
36 # [^x] : 表示匹配 字元不為 x
37 line02 = '電話號:15573563467'
38 reg_str10 = '.*(1[3458][0-9]{9}).*'
39 reg_str11 = '.*(1[3458][^1]{9}).*'
40 regtest(reg_str10,line02)   # result : 15573563467
41 regtest(reg_str11,line02)   # result : 15573563467
42 
43 # \s 表示匹配空格,匹配一次
44 # \S 表示匹配不是空格的字元,匹配一次
45 # \w 表示匹配 A-Z、0-9、_ 中的容易字元,匹配一次
46 # \W 與 \w 相反
47 # \d 表示數字
48 # [\u4E00-\u9FA5] : 表示所有漢字,unicode 編碼
49 
50 def regtest_test(reg_str,line = line01):
51     test = re.match(reg_str, line)
52     if test:
53         print(test.group(1)+':'+test.group(2)+'-'+test.group(3)+'-'+test.group(4))
54     else:
55         print("匹配失敗!")
56 
57 # 簡單實例
58 str01 = '張三出生於1997年12月20日'
59 str02 = '李四齣生於1989-01-20'
60 str03 = '王五齣生於1997/2/5'
61 str04 = '趙六齣生於1997.12.20'
62 str = [str01,str02,str03,str04]
63 # 提取出姓名+出生日期
64 # 匹配模式
65 reg_str12 = '(.*)出生於(\d{4})[.年/-](\d{1,2})[.月/-](\d{1,2}).*?'
66 for i in range(4):
67     regtest_test(reg_str12,str[i])
68 # result :
69 #       張三:1997-12-20
70 #       李四:1989-01-20
71 #       王五:1997-2-5
72 #       趙六:1997-12-20

註:此文來自網路,回歸網路


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 什麼是 Nacos? Nacos 是阿裡巴巴推出來的一個新開源項目,這是一個更易於構建雲原生應用的動態服務發現、配置管理和服務管理平臺。 Nacos 致力於幫助您發現、配置和管理微服務。Nacos 提供了一組簡單易用的特性集,幫助您快速實現動態服務發現、服務配置、服務元數據及流量管理。 Nacos ...
  • 介面體現的是一種規範和實現分離的設計哲學,充分利用介面可以極大的降低程式中各個模塊之間的耦合,提高系統的可維護性以及可擴展性。 ...
  • 對於大部分的對象而言,程式里會有一個引用變數來引用該對象,這是最常見的引用方法。除此之外,java.lang.ref包下還提供了3個類:SoftReference、WeakReference和PhantomReference。它們分別代表了系統對對象的另外3中引用方式:軟引用、弱引用和虛引用。 ...
  • 文/沉默王二 開門見山地說吧,Java提供了一套完整的集合類(也可以叫做容器類)來管理一組長度可變的對象(也就是集合的元素),其中常見的類型包括List、Set、Queue和Map。從我個人的編程經驗來看,List的實現類ArrayList和Map的實現類HashMap使用頻率最高,其它實現類只能望 ...
  • /*懶漢模式 *優點:延遲載入 * 缺點:不加同步的懶漢模式是線程不安全的,加了synchronzide之後就變成線程安全的了 */public class Singleton { private static Singleton singleton=null; private Singleton( ...
  • Django 系列博客(二) 前言 今天博客的內容為使用 Django 完成第一個 Django 頁面,併進行一些簡單頁面的搭建和轉跳。 命令行搭建 Django 項目 創建純凈虛擬環境 在上一篇博客中已經安裝好了虛擬環境,所以用虛擬環境來安裝指定版本的 Django。為了可以從頭到尾的走一遍流程, ...
  • 計數器 Counter 計數元素迭代器 elements() 計數對象拷貝 copy() 計數對象清空 clear() 有序字典 OrderedDict (對字典的補充,可以記住字典元素添加的順序) 預設字典 defaultdict,(指定字典值的類型) 可命名元組 namedtuple (給元組對 ...
  • 網路編程協議 1.osi七層模型 應用層 表示層 會話層 傳輸層 網路層 數據鏈路層 物理層 2.套接字 socket 有兩類,一種基於文件類型,一種基於網路類型 3.Tcp和udp協議 Tcp協議:面向連接,數據可靠,傳輸效率低,面向位元組流 建立連接與斷開連接的過程(三次握手,四次揮手) 建立連接 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...