【python爬虫】正则表达式

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

　　 　　　　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 re

content = '
正则表达式'
p = re.compile(r'<(html)><(h1)>(.*)')
# print(p.search(content).group())
print(p.findall(content))#[('html', 'h1', '正则表达式')]

 

 

 

　　　　　　⑧贪婪非贪婪模式

　　　　　　　　　　a、贪婪和非贪婪的却别在于匹配内容的多少。
　　　　　　　　　　b、贪婪使用*来控制匹配次数的。正则默认是贪婪。
　　　　　　　　　　c、非贪婪使用?来控制的。
　　　　　　　　　　d、在表示数量控制元字符后面加一个？，此时就表示这个数量控制符取最小值，也就是非贪婪。

　　　　　　⑨匹配模式：

　　　　　　　　re.S ----.可以匹配换行符
　　　　　　　　re.I----忽略大小写。

　　　　　　⑩万能正则匹配表达式：.*?(尽可能少匹配任意内容)配合re.S