python 爬虫入门之正则表达式 一

 python  正则表达式知识点

正则 常用符号

. : 匹配任意字符，换行符除外

* ： 匹配前一个字符 0 次或者无限次

？ ： 匹配前一个字符 0次或者1次

.* ： 贪心算法

.*？ ：非贪心算法

（）： 括号内的数据作为结果返回

正则常用方法：

findall: 匹配所有符合规律的内容，返回包含结果的列表

Search： 匹配并提取第一个符合规律的内容，返回一个正则表达式对象

Sub: 替换符合规律的内容，返回替换后的值

正则表达式的基本应用 ,使用正则表达式过滤一个简单的test文件

test 文件如下

    
    


 《python定向爬虫入门》


    
这是第一条
    
这是第二条
    
这是第三条
    
这是第四条

  

正则使用效果如下 

#coding:utf-8
import re
old_url='http://www.jikexueyuan.com/course/web/?pageNum=2'
total_page=13
f = open('t1.txt','r',encoding="utf-8")
html = f.read()
f.close()

#爬取标题
title = re.search('',html,re.S).group(1)#使用search 找到所需要的内容，就返回
print(title)

执行代码，显示如下

极客学院爬虫测试

#爬取链接
links = re.findall('href="(.*?)"',html,re.S)
print(links)

执行代码，显示如下
 ['http://www.jikexueyuan.com/welcome.html', 'http://www.jikexueyuan.com/1.html', 'http://www.jikexueyuan.com/2.html', 'http://www.jikexueyuan.com/3.html', 'http://www.jikexueyuan.com/4.html']                              
 #提取文字
text_filed = re.findall('
(.*?)
',html,re.S)[0]
print(text_filed)
print("===============================")
the_text = re.findall('">(.*?)',text_filed,re.S)
for every_text in the_text:
    print(every_text)             
    
执行代码，显示如下 
这是第一条
这是第二条
这是第三条
这是第四条   

#sub 实现翻页功能  
for i in range(7,total_page+1):
    new_link = re.sub('pageNum=\d+','pageNum=%d' %i,old_url,re.S)
    print(new_link)  
  
 执行代码，显示如下
http://www.jikexueyuan.com/course/web/?pageNum=7
http://www.jikexueyuan.com/course/web/?pageNum=8
http://www.jikexueyuan.com/course/web/?pageNum=9
http://www.jikexueyuan.com/course/web/?pageNum=10
http://www.jikexueyuan.com/course/web/?pageNum=11
http://www.jikexueyuan.com/course/web/?pageNum=12
http://www.jikexueyuan.com/course/web/?pageNum=13