python爬虫学习19
经过urllib与requests库的学习,相信我们已经对python爬虫有了一个初步的掌握了,下面我们将一起学习正则表达式的运用(还记得之前挖的坑嘛?)。
三、正则表达式
在requests库的学习中,我们可以用相关的方法来获取网页源码,得到HTML代码。但是我们真正想要的数据其实是隐藏在HTML代码之中的,通过对正则表达式的学习,我们可以使用其从HTML代码中获取我们想要的信息。
3-1.实例引入
开源中国提供了一个正则表达式的测试工具 ,输入待匹配的文本,然后选择常用的正则表达式,就可以得出相应的匹配结果:
打开这个网站,输入一段文字,假如我们想要匹配字符串中包含的URL:
同理,我们想要匹配其中的电话号码:
这就是正则的匹配,是不是很神奇?
详细的研究一下,我们发现我们若是想要匹配URL,那么我们就需要用到如下正则表达式:
# 匹配URL: [a-zA-Z]+://[^\s]*
乍一看全七八糟的什么东西,其实这是有相应的规则的:
例如其中a-z代表匹配任意小写字母,\s 代表匹配任意空白字符,*代表前面匹配任意多的字符。
写好以上拥有相应规则的表达时候,程序就会拿着它其在杂乱的字符串中寻找符合我们写出的规则的字符串。
下附表:
今日结束,明日继续…