一、网页介绍
HTML的标签数:
HTML文件的内容均包含在标签中:
嵌入标签的内容作为HTML的头
嵌入标签的内容为文件的内容主题
3、从网页中提取数据
借助Python网络库,构建的爬虫可以抓取HTML页面的数据
从抓取的页面数据中提取有价值的数据,有以下方式:
正则表达式
lxml
BeautifulSoup
二、正则表达式
面对复杂的HTML页面,经常需要从中抽取需要的信息,比如身份证号等
使用简介的字符串表达式,来去匹配这些信息:
匹配居民身份证
(^\d{15}$)|)^\d{17}([0-9]|X)$)
正则表达式有独立的语法以及处理引擎,在支持正则表达式的语言中,正则表达式的语法一致
不同的编程语言实现支持的语法数量不同:
2、正则表达式的语言
正则表达式语言由两种基本字符类型组成
原生(正常)文本字符
元字符
3、正则表达式的分组
使用正则表达式匹配重复字符串,只需在字符后面加上相应的元字符
如果要匹配重复的字符串,使用小括号()把目标字符串包裹起来
(abc)?可以匹配0个或者多个字符串abc
分组可以分为两种形式:
捕获组和非捕获组
4、正则表达式的捕获
小括号包裹起来的表达式去匹配字符串,匹配的结果可以在后续的匹配过程中使用
把表达式中的括号进行编号,从左到右,以左括号出现的前后顺序为准,第一个出现的分组,组号即为1.
组号0代表正则表达式整体
下面依次进行说明
下面依次进行说明
转载自:CSDN 作者:不温卜火
原文链接:https://blog.csdn.net/qq_16146103/article/details/105229330