正则数据解析酷狗与天气案例

正则表达式的简介

概念

正则表达式的应用场景

正则表达式对Python的支持

普通字符

match()函数

元字符

预定义匹配字符集

重复匹配

位置匹配和非贪婪匹配

re模块常用方法

分组功能

案例1解析酷狗：

利用面向对象改写

案例2天气解析

正则表达式的简介

概念

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑

正则表达式的应用场景

表单验证(例如 : 手机号、邮箱、身份证.... )
爬虫

正则表达式对Python的支持

普通字符

字母、数字、汉字、下划线、以及没有特殊定义的符号，都是"普通字符"。正则

表达式中的普通字符，在匹配的时候,只匹配与自身相同的一个字符。

例如：表达式c，在匹配字符串abcde时，匹配结果是：成功；匹配到的内容

是c；匹配到的位置开始于2，结束于3。（注：下标从0开始还是从1开始，因

当前编程语言的不同而可能不同）

match()函数

match(pattern, string, flags=0)
第一个参数是正则表达式，如果匹配成功，则返回一个match对象，否则返回一个None
第二个参数表示要匹配的字符串
第三个参数是标致位用于控制正则表达式的匹配方式如: 是否区分大小写,多行匹配等等

元字符

正则表达式中使⽤了很多元字符，⽤来表示⼀些特殊的含义或功能

正则表达式的简介

概念

正则表达式的应用场景

表单验证(例如 : 手机号、邮箱、身份证.... )
爬虫

正则表达式对Python的支持

普通字符

字母、数字、汉字、下划线、以及没有特殊定义的符号，都是"普通字符"。正则

表达式中的普通字符，在匹配的时候,只匹配与自身相同的一个字符。

例如：表达式c，在匹配字符串abcde时，匹配结果是：成功；匹配到的内容

是c；匹配到的位置开始于2，结束于3。（注：下标从0开始还是从1开始，因

当前编程语言的不同而可能不同）

match()函数

match(pattern, string, flags=0)
第一个参数是正则表达式，如果匹配成功，则返回一个match对象，否则返回一个None
第二个参数表示要匹配的字符串
第三个参数是标致位用于控制正则表达式的匹配方式如: 是否区分大小写,多行匹配等等

元字符

正则表达式中使⽤了很多元字符，⽤来表示⼀些特殊的含义或功能

一些无法书写或者具有特殊功能的字符，采用在前面加斜杠""进行转义的方法。

例如下表所示

尚未列出的还有问号？、星号*和括号等其他的符号。所有正则表达式中具有特殊含义的字符在匹配自身的时候，都要使用斜杠进行转义。这些转义字符的匹配用法与普通字符类似，也是匹配与之相同的一个字符

预定义匹配字符集

正则表达式中的一些表示方法，可以同时匹配某个预定义字符集中的任意一个字符。比如，表达式\d可以匹配任意一个数字。虽然可以匹配其中任意字符，但是只能是一个，不是多个

重复匹配

前面的表达式，无论是只能匹配一种字符的表达式，还是可以匹配多种字符其中任意一个的表达式，都只能匹配一次。但是有时候我们需要对某个字段进行重复匹配，例如手机号码13666666666，一般的新手可能会写成\d\d\d\d\d\d\d\d\d\d\d（注意，这不是一个恰当的表达式），不但写着费劲，看着也累，还不⼀定准确恰当。

这种情况可以使用表达式再加上修饰匹配次数的特殊符号{}，不但重复书写表达式就可以重复匹配。例如[abcd][abcd]可以写成[abcd]{2}

位置匹配和非贪婪匹配

位置匹配

有时候，我们对匹配出现的位置有要求，比如开头、结尾、单词之间等等

贪婪与非贪婪模式

在重复匹配时，正则表达式默认总是尽可能多的匹配，这被称为贪婪模式。例如，针对文本dxxxdxxxd，表达式(d)(\w+)(d)中的\w+将匹配第一个d和最后一个d之间的所有字符xxxdxxx。可见，\w+在匹配的时候，总是尽可能多的匹配符合它规则的字符。同理，带有?、*和{m,n}的重复匹配表达式都是尽可能地多匹配

校验数字的相关表达式：

特殊场景的表达式:

re模块常用方法

compile(pattern, flags=0)

这个⽅法是re模块的工厂法，⽤于将字符串形式的正则表达式编译为Pattern模式对象，可以实现更加效率的匹配。第二个参数flag是匹配模式使用compile()完成一次转换后，再次使用该匹配模式的时候就不能进行转换了。经过compile()转换的正则表达式对象也能使用普通的re⽅法

flag匹配模式

search(pattern, string, flags=0)

在文本内查找，返回第一个匹配到的字符串。它的返回值类型和使用方法与match()是一样的，唯一的区别就是查找的位置不用固定在文本的开头

findall(pattern, string, flags=0)

作为re模块的三大搜索函数之一，findall()和match()、search()的不同之处在于，前两者都是单值匹配，找到一个就忽略后面，直接返回不再查找了。而findall是全文查找，它的返回值是一个匹配到的字符串的列表。这个列表没有group()方法，没有start、end、span，更不是一个匹配对象，仅仅是个列表！如果一项都没有匹配到那么返回一个空列表

split(pattern, string, maxsplit=0, flags=0)

re模块的split()方法和字符串的split()方法很相似，都是利用特定的字符去分割字符串。但是re模块的split()可以使用正则表达式，因此更灵活，更强大

split有个参数maxsplit，用于指定分割的次数

sub(pattern, repl, string, count=0, flags=0)

sub()方法类似字符串的replace()方法，用指定的内容替换匹配到的字符，可以指定替换次数

分组功能

Python的re模块有一个分组功能。所谓的分组就是去已经匹配到的内容再筛选出需要的内容，相当于二次过滤。实现分组靠圆括号()，而获取分组的内容靠的是group()、groups()，其实前面我们已经展示过。re模块里的积个重要方法在分组上，有不同的表现形式，需要区别对待

一些无法书写或者具有特殊功能的字符，采用在前面加斜杠""进行转义的方法。

例如下表所示

预定义匹配字符集

重复匹配

这种情况可以使用表达式再加上修饰匹配次数的特殊符号{}，不但重复书写表达式就可以重复匹配。例如[abcd][abcd]可以写成[abcd]{2}

位置匹配和非贪婪匹配

位置匹配

有时候，我们对匹配出现的位置有要求，比如开头、结尾、单词之间等等

贪婪与非贪婪模式

校验数字的相关表达式：

特殊场景的表达式:

re模块常用方法

compile(pattern, flags=0)

flag匹配模式

search(pattern, string, flags=0)

在文本内查找，返回第一个匹配到的字符串。它的返回值类型和使用方法与match()是一样的，唯一的区别就是查找的位置不用固定在文本的开头

findall(pattern, string, flags=0)

split(pattern, string, maxsplit=0, flags=0)

re模块的split()方法和字符串的split()方法很相似，都是利用特定的字符去分割字符串。但是re模块的split()可以使用正则表达式，因此更灵活，更强大

split有个参数maxsplit，用于指定分割的次数

sub(pattern, repl, string, count=0, flags=0)

sub()方法类似字符串的replace()方法，用指定的内容替换匹配到的字符，可以指定替换次数

分组功能

案例1解析酷狗：

需求：目标网站：https://www.kugou.com/yy/html/rank.html
爬取要求：
1、获取到榜单页面的源码
2、用正则解析数据，获取到该页面所有歌曲的名字(包括歌手)和页
面链接
3、把数据保存到csv

# 目标网站：https://www.kugou.com/yy/html/rank.html
# 爬取要求：
# 1、获取到榜单页面的源码
# 2、用正则解析数据，获取到该页面所有歌曲的名字(包括歌手)和页
# 面链接
# 3、把数据保存到csv'''
1、分析页面：确定URL
2、发送请求，获取页面数据
3、解析数据
4、保存数据
'''
import requests
import re
import csv
'''
<a href="(.*?)".*?title="(.*?)".*?</a>
'''data_list=[]
headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.82 Safari/537.36'
}
response = requests.get('https://www.kugou.com/yy/html/rank.html',headers=headers)
html = response.content.decode('utf-8')     # 1、获取到榜单页面的源码
# print(html)
# 匹配ul标签
ul_tag = re.search('<ul>(.*?)</ul>',html,re.S)
# print(ul_tag)
# print(ul_tag.group(1))
# 匹配a标签
a_tag_list = re.findall('<a\s{2,}href="(.*?)".*?title="(.*?)".*?</a>',ul_tag.group(1),re.S)
for a_tag in a_tag_list:data_list.append(a_tag)print(a_tag)# 保存数据
with open('kg.csv','w', encoding='utf-8',newline="") as f:wt = csv.writer(f)wt.writerow(('链接','歌曲'))wt.writerows(data_list)

利用面向对象改写

# 面向对象改写
import requests
import re
import csvclass Tq(object):def __init__(self):self.data_list=[]self.headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.82 Safari/537.36'}def get_data(self):response = requests.get('https://www.kugou.com/yy/html/rank.html', headers=self.headers)html = response.content.decode('utf-8')  # 1、获取到榜单页面的源码# print(html)# 匹配ul标签ul_tag = re.search('<ul>(.*?)</ul>', html, re.S)# print(ul_tag)# print(ul_tag.group(1))# 匹配a标签a_tag_list = re.findall('<a\s{2,}href="(.*?)".*?title="(.*?)".*?</a>', ul_tag.group(1), re.S)for a_tag in a_tag_list:self.data_list.append(a_tag)print(a_tag)def save_data(self):# 保存数据with open('kg2.csv', 'w', encoding='utf-8', newline="") as f:wt = csv.writer(f)wt.writerow(('链接', '歌曲'))wt.writerows(self.data_list)def run(self):self.get_data()self.save_data()if __name__ == '__main__':tq =Tq()tq.run()

案例2天气解析

需求：爬取近其他的天气（日期，天气，温度，风力）
确定url：http://www.weather.com.cn/weather/101250101.shtml
1. 获取整个网页源码
2. 获取ul数据
3. 在ul数据里面找li数据
4. 在li数据提取日期，天气，温度，风力
保存到csv文件

# <span>23℃</span>
import requests
import csv
import reurl = 'http://www.weather.com.cn/weather/101250101.shtml'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36'
}
# 发请求，获取响应
response = requests.get(url, headers=headers)
response.encoding = 'utf-8'
html = response.text
result = re.match(r'.*(<ul class="t clearfix">.*?</ul>).*', html, re.S)
ul = result.group(1)
lis = re.findall(r'<li.*?>.*?</li>', ul, re.S)  # 匹配的数据放在列表里面
pattern = re.compile(r'<li.*?>.*?<h1>(.*?)</h1>.*?<p.*?>(.*?)</p>.*?<span>(.*?)</span>.*?<i>(.*?)</i>.*?<i>(.*?)</i>.*?</li>', re.S)
lst = []
for i in lis:r = pattern.match(i)if r:tu = (r.group(1),r.group(2),r.group(3)+"/"+r.group(4),r.group(5))lst.append(tu)with open('weather2.csv', 'w', encoding='utf-8', newline='') as f:# 创建写入对象writer = csv.writer(f)writer.writerow(['日期', '天气', '温度', '风力'])writer.writerows(lst)