在Python爬虫过程中,实现网页元素解析的方法有很多,正则解析只是其中之一,常见的还有BeautifulSoup和lxml,它们都支持网页HTML元素的解析操作。本节重点讲解如何使用re正则解析模块实现网页信息的提取。 注意:在学习本节知识之前,您应该基本掌握了Pythonre模块的常用方法。 re模块常用方法1)re.compile() 该方法用来生成正则表达式对象,其语法格式如下: regex=re.compile(pattern,flags=0)1复制代码类型:[python] 参数说明: pattern:正则表达式对象。 flags:代表功能标志位,扩展正则表达式的匹配。 2)re.findall() 根据正则表达式匹配目标字符串内容。 re.findall(pattern,string,flags=0)1复制代码类型:[python] 该函数的返回值是匹配到的内容列表,如果正则表达式有子组,则只能获取到子组对应的内容。参数说明如下: pattern:正则表达式对象。 string:目标字符串 flags:代表功能标志位,扩展正则表达式的匹配。 3)regex.findall() 该函数根据正则表达式对象匹配目标字符串内容。其语法格式如下: regex.findall(string,pos,endpos)1复制代码类型:[python] 参数说明: string目标字符串。 pos截取目标字符串的开始匹配位置。 endpos截取目标字符串的结束匹配位置。 4)re.split() 该函数使用正则表达式匹配内容,切割目标字符串。返回值是切割后的内容列表。参数说明: re.split(pattern,string,flags = 0)1复制代码类型:[python] 参数说明: pattern:正则表达式。 string:目标字符串。 flags:功能标志位,扩展正则表达式的匹配。 5)re.sub 该函数使用一个字符串替换正则表达式匹配到的内容。返回值是替换后的字符串。其语法格式如下: re.sub(pattern,replace,string,max,flags = 0)1复制代码类型:[python] 其参数说明: pattern:正则表达式。 replace:替换的字符串。 string:目标字符串。 max:最多替换几处,默认替换全部, flags:功能标志位,扩展正则表达式的匹配。 5)re.search() 匹配目标字符串第一个符合的内容,返回值为匹配的对象。语法格式如下: re.search(pattern,string,flags=0) 参数说明: pattern:正则表达式 string:目标字符串 flags功能标志位 功能标志位的作用是扩展正则表达的匹配功能。常用的flag如下所示: flag功能标志位
注意:可以同时使用福多个功能标志位,比如flags=re.I|re.S。 |
|