Python定向爬虫入门

一、基本的正则表达式

正则表达式用来提取爬虫中需要的公共要素

1、正则表达式符号与方法

常用符号：点号、星号、问号与括号
常用方法：findall、search、sub

.:匹配任意字符，换行符\n除外
:匹配前一个字符0次或无限次
?:匹配前一个字符0次或1次
.:贪心算法（吃尽可能的东西）
.*?:非贪心算法（像婴儿少量多餐）
（）:括号内的数据作为结果返回

findall：匹配所有符合规律的内容，返回包含结果的列表
search：匹配并提取第一个符合规律的内容，返回一个正则式表达对象（object）
sub：替换符合规律的内容，返回替换后的值

Python中正则表达式的库文件
import re

点号的使用：
a=‘xy123’
b=re.findall(‘x.’ , a)
print b #xy

c=re.findall(‘x…’ , a)
print c #xy1
点就是占位符，几个点就是几个符号

星号的使用：
a=‘xyxy123’
b=re.findall(‘x*’ , a)
print b #[‘x’,’’,‘x’,’’,’’,’’,’’,’’,’’]
匹配前面的字符，并查找出所有位置

问号的使用：
a=‘xy123’
b=re.findall(‘x？’ , a)
print b #[‘x’,’’,’’,’’,’’,’’,’’,’’]

*.的使用：
search_code=‘hahfajxxixxfalflsjfslfjslfjxxlovexxljsljfsxxyouxxsjflsdjflsj’

a=re.findall(‘xx.*xx’, search_code)
print(a)
#[‘xxixxfalflsjfslfjslfjxxlovexxljsljfsxxyouxx’]
.*在满足规则时，能找多少找多少

.*？的使用：
b=re.findall('xx.？xx’, search_code)
print(b)
#[‘xxixx’,‘xxlovexx