Python爬虫正则表示式、BeautifulSoup初步

一、正则常用的方法

1.match：从开始位置开始查找，一次匹配

2.search：从任何位置查找，一次匹配

3.findall：全部匹配，返回列表

4.finditer：全部匹配，返回迭代器

5.split：分割字符串，返回列表

6.sub：替换

7.匹配中文

中文unicode编码[u4e00-u9fa5]

8.贪婪算法和非贪婪算法

贪婪模式：在整个表达式匹配成功的前提下，尽可能的多的匹配

非贪婪模式：在整个表达式匹配成功的前提下，尽可能的少的匹配

python中默认时贪婪模式

import re



s = r"([a-z]+)( [a-z]+)"

pattern = re.compile(s,re.I)



m = pattern.match("Hello world wide web")

#group(0)表示返回匹配成功的整个字串

s = m.group(0)

print(s)

#返回匹配成功的整个子串的跨度

a = m.span(0)

print(a)

#group(1)表示返回的第一个分组匹配成功的字串

s = m.group(1)

print(s)

#span(1)返回匹配成功的第一个子串的跨度

a = m.span(1)

print(a)

#groups()返回的是匹配的所有分组子串都输出出来，不包含整个匹配的子串

b = m.groups()

print(b)

print("===============")

string = r"d+"

pattern = re.compile(string)

m = pattern.search("one12two34three56")#返回第一个查找到的结果

print(m.group(0))#这里的0不写也没有关系，不写就是默认为0

m = pattern.search("one12two34three56",10,40)#从字符串的第十个位置进行查找，第四十结束，这里不够四十，那就直接到字符串结束位置即可

print(m)



m = pattern.findall("one12two34three56")#以列表的形式返回所有的结果

print(m)



m = pattern.finditer("one12two34three56")

print(m)

for i in m:

    print(i)

    print(i.group())



print("=======")

string2 = u"你好，世界"

pattern = re.compile(r"[u4e00-u9fa5]+")

print(pattern.search("你好，世界杯").group())

二、BeatuifulSoup4   --CSS选择器

1.现在使用BeautifulSoup4

2.参考链接：https://beautifulsoup.readthedocs.io/zh_CN/latest/

3.几个常用的提取工具的比较：

（1）正则：很快，不好用，不允许安装

（2）beautifulsoup:慢，但是使用简单，安装简单

（3）lxml：比较快，使用简单，但是安装一般

from urllib import request

from bs4 import BeautifulSoup

url = "http://www.baidu.com"

rsp = request.urlopen(url)

content = rsp.read()

soup = BeautifulSoup(content,"html")

#bs自动转码

content = soup.prettify()

print(content)

三、源码

Reptitle12_1_TRegularExpression.py

Reptile12_2_BeautifulSoup.py

https://github.com/ruigege66/PythonReptile/blob/master/Reptitle12_1_TRegularExpression.py

https://github.com/ruigege66/PythonReptile/blob/master/Reptile12_2_BeautifulSoup.py

2.CSDN：https://blog.csdn.net/weixin_44630050

3.博客园：http://www.cnblogs.com/ruigege0000/