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

转载自：CSDN   作者：不温卜火

原文链接：https://blog.csdn.net/qq_16146103/article/details/105229330