爬虫之Re库入门

学习地址&＃xff1a;https://www.icourse163.org/learn/BIT-1001870001?tid&＃61;1003245012#/

• 正则表达式

正则表达式的常用操作符

匹配IP地址的正则表达式

IP地址分四段&＃xff0c;每段0-255

• Re库的基本使用

正则表达式的表示类型

• raw string类型&＃xff08;原生字符串类型&＃xff09;

• string类型&＃xff0c;更繁琐

Re库主要功能函数

1.re.search(pattern, string, flags&＃61;0)

在一个字符串中搜索匹配正则表达式的第一个位置&＃xff0c;返回match对象。

• pattern:正则表达式的字符串或原生字符串表示
• string:待匹配字符串
• flags:正则表达式使用时的控制标记

2.re.match(pattern, string, flags&＃61;0)

从一个字符串的开始位置起匹配正则表达式&＃xff0c;返回match对象。

3.findall(pattern, string, flags&＃61;0)

搜索字符串&＃xff0c;以列表类型返回全部能匹配的子串。

4.re.split(pattern, string, maxsplit&＃61;0, flags&＃61;0)

将一个字符串按照正则表达式匹配结果进行分割&＃xff0c;返回列表类型。

• maxsplit:最大分割数&＃xff0c;剩余部分作为最后一个元素输出

5.re.finditer(pattern, string, flags&＃61;0)

搜索字符串&＃xff0c;返回一个匹配结果的迭代类型&＃xff0c;每个迭代元素是match对象。

6.re.sub(pattern, repl, string, count&＃61;0, flags&＃61;0)

在一个字符串中替换所有匹配正则表达式的子串&＃xff0c;返回替换后的字符串。

• repl:替换匹配字符串的字符串
• count:匹配的最大替换次数

Re库的面向对象用法

7.regex &＃61; re.compile(pattern, flags&＃61;0)

将正则表达式的字符串形式编译成正则表达式对象。

等价用法&＃xff1a;

• Re库的match对象

match对象的属性

• Re库的贪婪匹配和最小匹配

贪婪匹配&＃xff1a;Re库默认采用贪婪匹配&＃xff0c;即输出匹配最长的子串。

最小匹配&＃xff1a;

最小匹配操作符

• 淘宝商品比价定向爬虫

功能描述&＃xff1a;

• 目标&＃xff1a;获取淘宝搜索页面的信息&＃xff0c;提取其中的商品名称和价格。
• 理解&＃xff1a;淘宝的搜索接口&＃xff0c;翻页的处理。
• 技术路线&＃xff1a;requests-re

程序的结构设计&＃xff1a;

1. 提交商品搜索请求&＃xff0c;循环获取页面
2. 对于每个页面&＃xff0c;提取商品名称和价格信息
3. 将信息输出到屏幕上

import requests
import redef getHTMLText(url):try:r &＃61; requests.get(url, timeout&＃61;30)r.raise_for_status()r.encoding &＃61; r.apparent_encodingreturn r.textexcept:return ""def parsePage(ilt, html):try:plt &＃61; re.findall(r&＃39;\"view_price\"\:\"[\d\.]*\"&＃39;,html)tlt &＃61; re.findall(r&＃39;\"raw_title\"\:\".*?\"&＃39;,html)for i in range(len(plt)):price &＃61; eval(plt[i].split(&＃39;:&＃39;)[1])title &＃61; eval(tlt[i].split(&＃39;:&＃39;)[1])ilt.append([price , title])except:print("")def printGoodsList(ilt):tplt &＃61; "{:4}\t{:8}\t{:16}"print(tplt.format("序号", "价格", "商品名称"))count &＃61; 0for g in ilt:count &＃61; count &＃43; 1print(tplt.format(count, g[0], g[1]))def main():goods &＃61; &＃39;书包&＃39;depth &＃61; 3start_url &＃61; &＃39;https://s.taobao.com/search?q&＃61;&＃39; &＃43; goodsinfoList &＃61; []for i in range(depth):try:url &＃61; start_url &＃43; &＃39;&s&＃61;&＃39; &＃43; str(44*i)html &＃61; getHTMLText(url)parsePage(infoList, html)except:continueprintGoodsList(infoList)main()