爬虫技术的正则基础:用re提取html标签中间的内容

我们可以使用贪心捕获、费贪心捕获等方法,用正则表达式提取标签中间的内容。我们需要将模式字符串设置为

(.*)
来捕获标签中间的内容,其中点号.表示匹配除了换行符以外的任意字符,*表示匹配任意多(0个或者1个或者多个)字符。注意如果我们把小括号()去掉,那么在返回的字符串中将把html标签也包括进去。我们可以通过以下代码来看一下运行的结果。

import re
content = '''
	<h>dakfadg</>
	<div>graph</div>
	<div>math</div>
'''

pat = r'<div>.*</div>'
results = re.findall(pat,content)
print(results)

pat = r'<div>(.*)</div>'
results = re.findall(pat,content)
print(results)

结果如下图所示:

['<div>graph</div>', '<div>math</div>']
['graph', 'math']
[Finished in 0.7s]

这样我们就把div标签中的内容存放在了一个列表当中,这项技术可以用在网络爬虫中。

发布了152 篇原创文章 · 获赞 6 · 访问量 4033

猜你喜欢

转载自blog.csdn.net/weixin_41855010/article/details/104435653
今日推荐