re正则表达式笔记

正则表达式是通用的字符串表达框架，用一个正则表达好似可以表达多个符合同一个规律的字符串，它与一组字符串是等价关系。

正则表达式基本就是用于检索的。

记几个常用的正则吧：

| 或符号

? 前面这个重复0次或1次

+ 前面的重复1次到无限次

* 重复0次到无限次（.*中间任意填充）

{5} 前面的那个字符重复5次，大括号也是表示重复次数的

贪婪：

正则表达式默认去匹配符合条件的最长的那一串，如果要匹配最短的那串，在写的匹配重复项后面加上？，也就是.*? .??这样的表达形式，在原本的重复项之后再加一项。

. 表示单个字符

^ 匹配开头，后面跟的一定在某字符串开头

$ 匹配结尾

\d 数字

\w 字母

Re是正则表达式库，python的标准库

这里记一个代码的编写顺序：

写函数的时候，首先把函数名那一栏写完，什么是输入基本心里有数。然后再是想好这个函数要完成的功能，最后一班要return个什么东西或者print一个什么东西，下面再写一个return 0，或者print" "。

然后把这个函数放在这，再写main函数，main函数写完了，最后把上面的函数填上去。

以及起函数名的时候，动词加名词组合的时候，动词首字母小写，名词首字母大写。

爬取淘宝信息的代码

import requests
import re
from bs4 import BeautifulSoup

#爬虫的三个函数，获取页面，解析页面，输出页面

#这里是要背下来的，也就三行不难背，获取，检查，编码（编码是获取之后为了解析内容用的）
def getHTMLText(url):
    try:
        r = requests.get(url,headers={"User-Agent": "Mozilla/5.0 "} )
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""

#这里函数定义的时候涉及到一个ilt空列表要不要传进去的问题，还是传进去吧，因为要对这个做更改，省的return了
def parsePage(ilt,html):    #整个函数的关键
    try:
        plt = re.findall(r'"view_price":"[\d.]*"', html)                #中括号指的是中括号里面包裹的随机抽取一个
        tlt = re.findall(r'"raw_title":".*?"', html)                    #以及re.findall(r"   正则  ",待查字符串)
        #plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)
        #tlt = re.findall(r'\"raw_title\"\:\".*?\"', html)

        for i in range(len(plt)):
            #eval()，这个括号里的不属于eval的语法，也就是eval函数的作用是返回括号里计算出来的字符串，至于括号里完全是正常语法
            #甚至可以在上一行写字符串表达式，然后这一行 a= "    "    eval(a)
            #其实eval起到的就是一个去掉""双引号的作用，不然打印出来的是带双引号的
            price = eval(plt[i].split(':')[1])
            title = eval(tlt[i].split(":")[1])
            #这个append函数也是相当精髓，里面的数组括号
            ilt.append([price,title])
    except:
        print("")

def printGoodsList(ilt):
    tplt = "{:4}\t{:8}\t{:16}"
    print(tplt.format("序号","价格","商品名称"))
    count= 0
    for g in ilt:
        count = count +1
        print(tplt.format(count,g[0],g[1]))

def main():
    goods = "固态硬盘"
    depth = 2
    start_url = "https://s.taobao.com/search?q=" + goods          #这里是起始的url，有一个关键词变量
    infoList = []
    for i in range(depth):
        try:
            url = start_url + "&s=" + str(44*i)                   #从起始的url到第二个url是更改页码
            html = getHTMLText(url)
            parsePage(infoList,html)
        except:
            continue
    printGoodsList(infoList)

main()

re正则表达式笔记

猜你喜欢