Python爬虫数据提取

来源：离岛链接：

https://segmentfault.com/a/1190000013196759

通过爬虫抓取到的内容，需要提取出有用的东西，这一步就是数据提取或者数据清洗

内容一般分为两部分，非结构化的数据 和 结构化的数据。

非结构化数据：先有数据，再有结构，比如文本、电话号码、邮箱地址（利用正则表达式处理）、HTML 文件（利用正则、XPath、CSS选择器）

结构化数据：先有结构、再有数据，比如JSON（JSON Path）/XML (Xpath/正则等)

不同类型的数据，我们需要采用不同的方式来处理。

实际上爬虫一共就四个主要步骤：

明确目标 (要知道你准备在哪个范围或者网站去搜索)

爬 (将所有的网站的内容全部爬下来)

取 (去掉对我们没用处的数据)

处理数据（按照我们想要的方式存储和使用）

什么是正则表达式

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。

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。

在任何编程语言中都有正则表达式，JS、JAVA、C#等等多有，Python 自1.5版本起增加了re 模块，re 模块使 Python 语言拥有全部的正则表达式功能。

正则匹配的规则

re模块使用步骤

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀，示例：r'testt.tpython'

re 模块的一般使用步骤如下：

1.使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象

2.通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。

3.最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

具体的正则表达式如何编写，其实就是根据上图的元字符进行组合，匹配你要的结果，

小练习1：找出字符串中的数字。 d表示 0-9 + 表示匹配前一个字符1次或无限次

小练习2：找出单词中包含 oo的单词

大概知道了正则的书写方式以后，先来看后续的步骤，不要着急，编写正则是个积累的过程。

compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象,Pattern 对象提供的一系列方法对文本进行匹配查找,来罗列下方法：

m.search函数会在字符串内查找模式匹配,只要找到第一个匹配然后返回，如果字符串没有匹配，则返回None。

m.findall遍历匹配，可以获取字符串中所有匹配的字符串，返回一个列表。

m.match()决定RE是否在字符串刚开始的位置匹配

m.split()按照能够匹配的子串将string分割后返回列表

m.sub()使用re替换string中每一个匹配的子串后返回替换后的字符串。

正则练习题

1 已知字符串:

info = 'baidu'

2 字符串："one1two2three3four4" 用正则处理，输出 "1234"

3 已知字符串：text = "JGood is a handsome boy, he is cool, clever, and so on..." 查找所有包含'oo'的单词。

正则练习题答案：

爬虫内涵段子正则匹配爬取

（完）

看完本文有收获？请转发分享给更多人

关注「Python那些事」，做全栈开发工程师