Python爬虫基础之认识html和学习数据提取（下）

昨天学了beautifulsoup和xpath，今天来学习css选择器和正则表达式吧~

css选择器

惨绿青年：css是层叠样式表，是用来决定html标签如何显示的。css选择器则是用来选择需要的标签进行绑定css，所以也可以用在爬虫程序里选择需要的标签。

惨绿青年：其实昨天的beautifulsoup就能通过select()方法去使用css选择器。下图是常用的css选择器示例。

正则表达式

惨绿青年：正则表达式是最强大，也是最复杂的方法。正则表达式通常被用来检索、替换那些符合某个规则（pattern）的文本。python自带正则表达式的库，只要导入“re”就可以用了。正则表达式首先需要建立一个规则（pattern），然后再搜索符合规则（pattern）的文本。下面是几个常用函数的简单示例。

惨绿青年：正则表达式中有一些特殊的字符，它们有特殊的功能，要匹配它们需要用“\”转义。下面列出了常用的特殊字符“$，^，[]，{}，|，-”。

惨绿青年：正则表达式里还有一些带“\”的字符，它们也有特殊作用。下面列出了常用的特殊字符“\w，\W，\s，\S，\d，\D，\b，\B”。

惨绿青年：还有一个特殊字符“()”，它能匹配括号里的规则并捕获，然后可以用group()或者groups()获取。re.search()和re.match()有group()、groups()这两个函数。

惨绿青年：正则表达式还能通过修饰符来使用各种模式，常用的模式有re.S（Space的首字母，能使“.”匹配换行符，该模式在提取网页内容时常用到），re.I（Ignore的首字母，能使匹配对大小写不敏感），re.U（Unicode的首字母，根据Unicode字符集解析字符，这个标志影响 \w，\W，\b，\B），re.M（MultiLine的首字母，多行匹配，影响 ^ 和 $）。

惨绿青年：正则表达式里“.*”能匹配任意字符多次。正则表达式还有贪婪模式和非贪婪模式，贪婪模式下，会匹配尽可能多的字符，非贪婪模式下，会匹配尽可能少的字符，用“?”来表示。所以常用“.*?”匹配尽可能少的任意字符，在前面和后面加上特定字符就很容易获取想要的东西了。

今天也学到了很多东西呢，明天有什么新知识呢？真期待鸭~如果喜欢文章可以关注我哦~