正文
【python爬虫】正则表达式
提示：扫一扫查出行【扫一扫了解最新限行尾号】
复制提示
一、数据的分类1、结构化数据特点：数据以行为单位，每一个数据表示一个实体。每一行数据的属性都是一样的。
举例：关系型数据库中的表就是结构化数据。
处理方法：sql
2、半结构化数据特点：结构化数据的另一种形式。他并不符合关系型数据的特点，不能用关系型模型来描述。但是这种数据包含相关标记，有用 来分割语义元素以及字段进行分层的描述。
因此也被称为自描述结构。
举例：xml，html，json
处理方法：正则，xpath，jsonpath，css选择器。
3、非结构化数据：特点：没有固定结构的数据。
举例：文档、图片、音频、视频。
处理方法：常常用二进制形式来做整体保存。
二、json数据1、json是什么语言的内容？json是js语言中用来用【字符串格式】来保存对象和数组的一种数据结构。
json数据本质上是字符串。
2、js种数组和对象js的数组：var array = ['aaa','bb','cc']----和python列表对应
js的对象：var obj = {name：'zhangsan',age:10}---和python字典对应。
name = obj.name
3、json数据的解析方法json模块：
（1）对json字符串的操作
json.loads(json_str)--->python的list或者dict
json.dumps(python的list或者dict) --->json_str
（2）对json文件的操作
json.load(fp)--->从json文件中读出json数据，返回一个python的list或者dict
json.dump(python的list或者dict，fp)---》python的list或者dict保存到fp所对应的的文件中。
4、json的意义：（1）json作为数据格式进行传输，具有较高的效率
（2）json不像xml那样具有严格的闭合标签，所以json作为数据传输的时候，他的数据有效占比（有效数据和总数据的比）比xml高很多。
（3）在相同流量下，json比xml作为数据传输，传输的数据更多。
三、正则表达式1、元字符（1）匹配边界
^ ----行首
$-----行尾
（2）重复次数
？----0次或1次
*----->=0
+---- >=1
{n,}--->=n
{n,m}--->=n,<=m
{n}----n次
（3）各种字符的表示
[]----匹配括号中一个字符，单字符
[abc]--匹配a或者b或者c
[a-z0-9A-Z]
\d---数字
\w---数字字母下划线
\s---空白字符：换行符、制表符、空格
\b---单词边界
.----除换行符以外的任意字符。
2、re模块的使用。python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
#1、导包
import re
#2、将正则表达式编译成一个pattern对象
pattern = re.complie(
r'正则表达式',
'匹配模式'
)
# r表示元字符。
#3、用pattern对象来使用相应的方法来匹配内容。
（2）pattern对象的方法：
①match方法：默认从头开始，只匹配一次，返回一个match对象。
pattern.match(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) # ——>match对象
a、match对象的属性
match.group()---获取匹配内容。
match.span()--匹配的范围
match.start()---开始位置
match.end()---结束位置
b、这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
match.group(0)---获取匹配内容。
match.span(0)--匹配的范围
match.start(0)---开始位置
match.end(0)---结束位置
match.groups()--将所有分组的内容，按顺序放到一个元组中返回
特点：数据以行为单位，每一个数据表示一个实体。每一行数据的属性都是一样的。
举例：关系型数据库中的表就是结构化数据。
处理方法：sql
2、半结构化数据特点：结构化数据的另一种形式。他并不符合关系型数据的特点，不能用关系型模型来描述。但是这种数据包含相关标记，有用 来分割语义元素以及字段进行分层的描述。
因此也被称为自描述结构。
举例：xml，html，json
处理方法：正则，xpath，jsonpath，css选择器。
3、非结构化数据：特点：没有固定结构的数据。
举例：文档、图片、音频、视频。
处理方法：常常用二进制形式来做整体保存。
二、json数据1、json是什么语言的内容？json是js语言中用来用【字符串格式】来保存对象和数组的一种数据结构。
json数据本质上是字符串。
2、js种数组和对象js的数组：var array = ['aaa','bb','cc']----和python列表对应
js的对象：var obj = {name：'zhangsan',age:10}---和python字典对应。
name = obj.name
3、json数据的解析方法json模块：
（1）对json字符串的操作
json.loads(json_str)--->python的list或者dict
json.dumps(python的list或者dict) --->json_str
（2）对json文件的操作
json.load(fp)--->从json文件中读出json数据，返回一个python的list或者dict
json.dump(python的list或者dict，fp)---》python的list或者dict保存到fp所对应的的文件中。
4、json的意义：（1）json作为数据格式进行传输，具有较高的效率
（2）json不像xml那样具有严格的闭合标签，所以json作为数据传输的时候，他的数据有效占比（有效数据和总数据的比）比xml高很多。
（3）在相同流量下，json比xml作为数据传输，传输的数据更多。
三、正则表达式1、元字符（1）匹配边界
^ ----行首
$-----行尾
（2）重复次数
？----0次或1次
*----->=0
+---- >=1
{n,}--->=n
{n,m}--->=n,<=m
{n}----n次
（3）各种字符的表示
[]----匹配括号中一个字符，单字符
[abc]--匹配a或者b或者c
[a-z0-9A-Z]
\d---数字
\w---数字字母下划线
\s---空白字符：换行符、制表符、空格
\b---单词边界
.----除换行符以外的任意字符。
2、re模块的使用。python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
#1、导包
import re
#2、将正则表达式编译成一个pattern对象
pattern = re.complie(
r'正则表达式',
'匹配模式'
)
# r表示元字符。
#3、用pattern对象来使用相应的方法来匹配内容。
（2）pattern对象的方法：
①match方法：默认从头开始，只匹配一次，返回一个match对象。
pattern.match(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) # ——>match对象
a、match对象的属性
match.group()---获取匹配内容。
match.span()--匹配的范围
match.start()---开始位置
match.end()---结束位置
b、这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
match.group(0)---获取匹配内容。
match.span(0)--匹配的范围
match.start(0)---开始位置
match.end(0)---结束位置
match.groups()--将所有分组的内容，按顺序放到一个元组中返回
因此也被称为自描述结构。
举例：xml，html，json
处理方法：正则，xpath，jsonpath，css选择器。
特点：没有固定结构的数据。
举例：文档、图片、音频、视频。
处理方法：常常用二进制形式来做整体保存。
二、json数据1、json是什么语言的内容？json是js语言中用来用【字符串格式】来保存对象和数组的一种数据结构。
json数据本质上是字符串。
2、js种数组和对象js的数组：var array = ['aaa','bb','cc']----和python列表对应
js的对象：var obj = {name：'zhangsan',age:10}---和python字典对应。
name = obj.name
3、json数据的解析方法json模块：
（1）对json字符串的操作
json.loads(json_str)--->python的list或者dict
json.dumps(python的list或者dict) --->json_str
（2）对json文件的操作
json.load(fp)--->从json文件中读出json数据，返回一个python的list或者dict
json.dump(python的list或者dict，fp)---》python的list或者dict保存到fp所对应的的文件中。
4、json的意义：（1）json作为数据格式进行传输，具有较高的效率
（2）json不像xml那样具有严格的闭合标签，所以json作为数据传输的时候，他的数据有效占比（有效数据和总数据的比）比xml高很多。
（3）在相同流量下，json比xml作为数据传输，传输的数据更多。
三、正则表达式1、元字符（1）匹配边界
^ ----行首
$-----行尾
（2）重复次数
？----0次或1次
*----->=0
+---- >=1
{n,}--->=n
{n,m}--->=n,<=m
{n}----n次
（3）各种字符的表示
[]----匹配括号中一个字符，单字符
[abc]--匹配a或者b或者c
[a-z0-9A-Z]
\d---数字
\w---数字字母下划线
\s---空白字符：换行符、制表符、空格
\b---单词边界
.----除换行符以外的任意字符。
2、re模块的使用。python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
#1、导包
import re
#2、将正则表达式编译成一个pattern对象
pattern = re.complie(
r'正则表达式',
'匹配模式'
)
# r表示元字符。
#3、用pattern对象来使用相应的方法来匹配内容。
（2）pattern对象的方法：
①match方法：默认从头开始，只匹配一次，返回一个match对象。
pattern.match(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) # ——>match对象
a、match对象的属性
match.group()---获取匹配内容。
match.span()--匹配的范围
match.start()---开始位置
match.end()---结束位置
b、这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
match.group(0)---获取匹配内容。
match.span(0)--匹配的范围
match.start(0)---开始位置
match.end(0)---结束位置
match.groups()--将所有分组的内容，按顺序放到一个元组中返回
json是js语言中用来用【字符串格式】来保存对象和数组的一种数据结构。
json数据本质上是字符串。
2、js种数组和对象js的数组：var array = ['aaa','bb','cc']----和python列表对应
js的对象：var obj = {name：'zhangsan',age:10}---和python字典对应。
name = obj.name
3、json数据的解析方法json模块：
（1）对json字符串的操作
json.loads(json_str)--->python的list或者dict
json.dumps(python的list或者dict) --->json_str
（2）对json文件的操作
json.load(fp)--->从json文件中读出json数据，返回一个python的list或者dict
json.dump(python的list或者dict，fp)---》python的list或者dict保存到fp所对应的的文件中。
4、json的意义：（1）json作为数据格式进行传输，具有较高的效率
（2）json不像xml那样具有严格的闭合标签，所以json作为数据传输的时候，他的数据有效占比（有效数据和总数据的比）比xml高很多。
（3）在相同流量下，json比xml作为数据传输，传输的数据更多。
三、正则表达式1、元字符（1）匹配边界
^ ----行首
$-----行尾
（2）重复次数
？----0次或1次
*----->=0
+---- >=1
{n,}--->=n
{n,m}--->=n,<=m
{n}----n次
（3）各种字符的表示
[]----匹配括号中一个字符，单字符
[abc]--匹配a或者b或者c
[a-z0-9A-Z]
\d---数字
\w---数字字母下划线
\s---空白字符：换行符、制表符、空格
\b---单词边界
.----除换行符以外的任意字符。
2、re模块的使用。python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
#1、导包
import re
#2、将正则表达式编译成一个pattern对象
pattern = re.complie(
r'正则表达式',
'匹配模式'
)
# r表示元字符。
#3、用pattern对象来使用相应的方法来匹配内容。
（2）pattern对象的方法：
①match方法：默认从头开始，只匹配一次，返回一个match对象。
pattern.match(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) # ——>match对象
a、match对象的属性
match.group()---获取匹配内容。
match.span()--匹配的范围
match.start()---开始位置
match.end()---结束位置
b、这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
match.group(0)---获取匹配内容。
match.span(0)--匹配的范围
match.start(0)---开始位置
match.end(0)---结束位置
match.groups()--将所有分组的内容，按顺序放到一个元组中返回
js的对象：var obj = {name：'zhangsan',age:10}---和python字典对应。
name = obj.name
json模块：
（1）对json字符串的操作
json.loads(json_str)--->python的list或者dict
json.dumps(python的list或者dict) --->json_str
（2）对json文件的操作
json.load(fp)--->从json文件中读出json数据，返回一个python的list或者dict
json.dump(python的list或者dict，fp)---》python的list或者dict保存到fp所对应的的文件中。
4、json的意义：（1）json作为数据格式进行传输，具有较高的效率
（2）json不像xml那样具有严格的闭合标签，所以json作为数据传输的时候，他的数据有效占比（有效数据和总数据的比）比xml高很多。
（3）在相同流量下，json比xml作为数据传输，传输的数据更多。
三、正则表达式1、元字符（1）匹配边界
^ ----行首
$-----行尾
（2）重复次数
？----0次或1次
*----->=0
+---- >=1
{n,}--->=n
{n,m}--->=n,<=m
{n}----n次
（3）各种字符的表示
[]----匹配括号中一个字符，单字符
[abc]--匹配a或者b或者c
[a-z0-9A-Z]
\d---数字
\w---数字字母下划线
\s---空白字符：换行符、制表符、空格
\b---单词边界
.----除换行符以外的任意字符。
2、re模块的使用。python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
#1、导包
import re
#2、将正则表达式编译成一个pattern对象
pattern = re.complie(
r'正则表达式',
'匹配模式'
)
# r表示元字符。
#3、用pattern对象来使用相应的方法来匹配内容。
（2）pattern对象的方法：
①match方法：默认从头开始，只匹配一次，返回一个match对象。
pattern.match(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) # ——>match对象
a、match对象的属性
match.group()---获取匹配内容。
match.span()--匹配的范围
match.start()---开始位置
match.end()---结束位置
b、这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
match.group(0)---获取匹配内容。
match.span(0)--匹配的范围
match.start(0)---开始位置
match.end(0)---结束位置
match.groups()--将所有分组的内容，按顺序放到一个元组中返回
（2）json不像xml那样具有严格的闭合标签，所以json作为数据传输的时候，他的数据有效占比（有效数据和总数据的比）比xml高很多。
（3）在相同流量下，json比xml作为数据传输，传输的数据更多。
1、元字符（1）匹配边界
^ ----行首
$-----行尾
（2）重复次数
？----0次或1次
*----->=0
+---- >=1
{n,}--->=n
{n,m}--->=n,<=m
{n}----n次
（3）各种字符的表示
[]----匹配括号中一个字符，单字符
[abc]--匹配a或者b或者c
[a-z0-9A-Z]
\d---数字
\w---数字字母下划线
\s---空白字符：换行符、制表符、空格
\b---单词边界
.----除换行符以外的任意字符。
2、re模块的使用。python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
#1、导包
import re
#2、将正则表达式编译成一个pattern对象
pattern = re.complie(
r'正则表达式',
'匹配模式'
)
# r表示元字符。
#3、用pattern对象来使用相应的方法来匹配内容。
（2）pattern对象的方法：
①match方法：默认从头开始，只匹配一次，返回一个match对象。
pattern.match(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) # ——>match对象
a、match对象的属性
match.group()---获取匹配内容。
match.span()--匹配的范围
match.start()---开始位置
match.end()---结束位置
b、这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
match.group(0)---获取匹配内容。
match.span(0)--匹配的范围
match.start(0)---开始位置
match.end(0)---结束位置
match.groups()--将所有分组的内容，按顺序放到一个元组中返回
$-----行尾
*----->=0
+---- >=1
{n,}--->=n
{n,m}--->=n,<=m
{n}----n次
[abc]--匹配a或者b或者c
[a-z0-9A-Z]
\d---数字
\w---数字字母下划线
\s---空白字符：换行符、制表符、空格
\b---单词边界
.----除换行符以外的任意字符。
python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
#1、导包
import re
#2、将正则表达式编译成一个pattern对象
pattern = re.complie(
r'正则表达式',
'匹配模式'
)
# r表示元字符。
#3、用pattern对象来使用相应的方法来匹配内容。
（2）pattern对象的方法：
①match方法：默认从头开始，只匹配一次，返回一个match对象。
pattern.match(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) # ——>match对象
a、match对象的属性
match.group()---获取匹配内容。
match.span()--匹配的范围
match.start()---开始位置
match.end()---结束位置
b、这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
match.group(0)---获取匹配内容。
match.span(0)--匹配的范围
match.start(0)---开始位置
match.end(0)---结束位置
match.groups()--将所有分组的内容，按顺序放到一个元组中返回
②search方法：从任意位置开始匹配，只匹配一次，返回一个match对象
pattern.search(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
） # ——>match对象
③findall方法：全文匹配，匹配多次，将每次匹配到的结果放到list中返回。
pattern.findall(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) # ——>list
④finditer方法：全文匹配，匹配多次，返回一个迭代器。
pattern.finditer(
'匹配的目标字符串'，
start,匹配开始的位置--缺省，start = 0
end，匹配结束的位置--缺省,end = -1
) #——>list # finditer主要用匹配内容比较多的情况下。
⑤split：切分，按照正则所表示内容进行切分字符串，返回切分后的每个子串
pattern.split(
'要切分的字符串'，
'切分字数'，默认是全部分。
) # ——>list
⑥sub方法：用指定字符串，替换正则表达所匹配到的内容。
pattern.sub(
repl,#替换成什么
content,替换什么
count,替换次数，默认替换所有
) # ——>替换后的字符串
repl替换内容可以使函数：
函数要求：
a、函数必须有参数，参数就是正则匹配目标字符串所得到的每个match对象。
b、这个函数必须要有返回值，返回值必须是字符串，这个字符串将来就作为替换的内容。
#zhangsan:3000,lisi:4000
#涨工资每个人涨1000
content = 'zhangsan:3000,lisi:4000'
p = re.compile(r'\d+')
result = p.sub(add,)
⑦分组
分组在正则表达式中使用（）来表示的，一个括号就是一个分组。
分组的作用：
a、筛选特定内容
b、可以在同一个表达式中应用前面的分组：
\1引用第一分组
c、findall配合分组
import recontent = '<html><h1>正则表达式</h1></html>'
p = re.compile(r'<(html)><(h1)>(.*)</\2></\1>')
# print(p.search(content).group())
print(p.findall(content))#[('html', 'h1', '正则表达式')]
