Python爬虫基础——re模块的提取和匹配

时间:2019-12-20 WoLykos 人气:5

re是Python的一个第三方库。
为了能更直观的看出re的效果，我们先新建一个HTML网页文件（可直接复制）：
index.html

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
    <footer>
        <div>
            <div class="email">
                Email:re@qq.com
            </div>
            <div class="tel">
                手机号:88888888
            </div>
        </div>
    </footer>
</body>
</html>

OK，然后我们进入主题。

re主要有三个功能：提取、匹配、替换。

1、提取findall：

re.findall(【正则表达式】, 【被提取的字符串】)
注意：返回的类型是列表

我们应如何取出上文index.html中的Email或者手机号呢：

import re

with open('index.html', 'r', encoding='utf-8') as f:
    # 读取index.html
    html = f.read()
    # 把html中的换行符，去掉，也就是替换成空字符串，因为.不能匹配到换行符
    html = re.sub('\n', '', html)
    print(html)
    # 定义正则表达式，注意括号
    pattern_1 = '<div class="email">(.*?)</div>'
    # re.findall(【正则表达式】,【被提取的字符串】)，返回类型是列表
    ret_1 = re.findall(pattern_1, html)
    # 字符串.strip()，可以去除首位的空格和换行符
    print(ret_1[0].strip())

2、匹配match：

re.match(【正则表达式】, 【被匹配的字符串】)
注意：
如果匹配成功，返回<class 're.Match'>对象；
如果匹配不成功，返回None。

我们应如何编写定义密码的正则表达式呢：

import re

# 英文字母开头，可包括应为字母，数字、下划线，总位数6-16位
password_pattern = r'^[a-zA-Z][a-zA-Z0-9_]{5,15}$'
# 定义三个密码
pass1 = '1234567'
pass2 = 'k123456'
pass3 = 'k123'
# 打印测试结果，匹配成功返回re.Match对象，不成功返回None
print(re.match(password_pattern, pass1))
print(re.match(password_pattern, pass2))
print(re.match(password_pattern, pass3))

输出结果为：

3、替换sub：

re.sub(【正则表达式】, 【替换成的字符串】, 【被匹配的字符串】)
觉得没看过sub的同学，那只能说明你看笔记不认真了，示范代码请看上上文~~

加载全部内容