正則表達式進行網(wǎng)頁解析Python語言程序設(shè)計課件講解

Python語言程序設(shè)計主講老師：施莉莉【正則表達式進行網(wǎng)頁解析】案例【正則表達式進行網(wǎng)頁解析】1234567importre

f=open('web.txt','r')

web=f.read()

urls=re.findall('https://.*?"',web)

f.close()

forurlinurls:

print(url)123456789101112<divclass="top-nav-websiteapp"><ahref="/w/app?channel=top-nav"class="lnk">下載某某網(wǎng)站客戶端</a><divid="top-nav-appintro"class="more-items"><pclass="appintro-title">某某網(wǎng)站</p><pclass="slogan">我們的部落格</p><divclass="download"><aref="/redirect?download=iOS">iPhone</a><span>?</span><ahref="/redirect?download=Ad">Android</a></div></div></div>web.txt第1行，導(dǎo)入re模塊，re模塊使Python語言擁有全部的正則表達式功能。第2行，調(diào)用文件的open方法，打開web.txt。第3行，將web.txt中的文本內(nèi)容讀取出來，賦值給web變量。getUrls.py279<ahref="/w/app?channel=top-nav"class="lnk">下載某某網(wǎng)站客戶端</a><aref="/redirect?download=iOS">iPhone</a><ahref="/redirect?download=Ad">Android</a>

web.txt4urls=re.findall('https://.*?"',web)第4行，re模塊提供

Perl風(fēng)格的正則表達式模式。利用findall函數(shù)獲取字符串web中所有匹配的字符串。匹配格式為：https://.*?"。getUrls.pyhttps://開頭表示以https://為前綴文本。點(.)匹配任意除換行符“\n”外的字符。星號(*)表示匹配前一個字符0次或無限次。星號(*)后跟問號(？)表示非貪婪匹配，即盡可能少的匹配，如*？重復(fù)任意次，但盡可能少重復(fù)。三個符號組合(.*?)表示匹配任意數(shù)量的重復(fù)，但是在能使整個匹配成功的前提下使用最少的重復(fù)。案例【正則表達式進行網(wǎng)頁解析】【例如】a.*?b匹配最短的，以a開始，以b結(jié)束的字符串。如果把它應(yīng)用于aabab的話，它會匹配aab和ab。案例【正則表達式進行網(wǎng)頁解析】非貪婪匹配案例【正則表達式進行網(wǎng)頁解析】279<ahref="/w/app?channel=top-nav"class="lnk">下載某某網(wǎng)站客戶端</a><aref="/redirect?download=iOS">iPhone</a><ahref="/redirect?download=Ad">Android</a>

web.txt4urls=re.findall('https://.*?"',web)getUrls.pyhttps://.*?"表示以http://開始，以雙引號(“)結(jié)束的字符串，而且要求匹配重復(fù)最少的。上例中首先匹配到/w/app?channel=top-nav"，所以不再匹配/w/app?channel=top-nav"clas