8.网络爬虫—正则表达式RE实战

8.网络爬虫—正则表达式RE实战

• • 正则表达式（Regular Expression）
  • re.I
  • re.A
  • re.S
  • re.M
  • re.X
  • re.L
  • re.U
  • 美某杰实战
  • • 写入csv文件：

正则表达式（Regular Expression）

正则表达式（Regular Expression）是一种用于匹配字符串的工具，它可以根据特定的规则来匹配字符串。正则表达式通常由一组字符和字符集合组成，其中字符集合定义了匹配的字符类型和位置。

re.I

🧾 🧾 语法： re.IGNORECASE 或简写为 re.I

🧾 🧾 含义： 进行忽略大小写匹配。

import re  
  
pattern = re.compile('apple', re.I)  
text = 'The apple is red'  
  
match = pattern.search(text)  
  
if match:  
    print(match.group())  
else:  
    print('未找到匹配的字符串')

运行结果：

在上面的代码中，re.I标志被用来匹配字符串apple，这意味着在匹配时忽略大小写。pattern.search(text) 函数返回一个Match对象，如果找到匹配的字符串，则match.group()方法将被调用并打印出来，否则打印出未找到匹配的字符串。

re.A

🧾 🧾 语法： re.ASCII 或简写为 re.A

🧾 🧾 作用： ASCII表示ASCII码的意思，让 \w, \W, \b, \B, \d, \D, \s 和 \S 只匹配ASCII，而不是Unicode。

以下是一个使用re.ASCII或re.A标志的简单示例：

import re

# 匹配ASCII字符集中的数字和字母
pattern = re.compile(r'\w+', flags=re.ASCII)
text = 'Hello 世界 123'
match = pattern.findall(text)
print(match)

re.S

🧾🧾 语法： re.DOTALL 或简写为 re.S

🧾🧾 作用： DOT表示.，ALL表示所有，连起来就是.匹配所有，包括换行符\n。默认模式下.是不能匹配行符\n的。

以下是一个使用re.DOTALL标志的示例：

import re

text = 'hello\nworld'
pattern = re.compile('.*', re.DOTALL)
match = pattern.match(text)
print(match.group(0))

运行结果：

'hello\nworld'

可以看到，因为使用了re.DOTALL标志，"."符号匹配了换行符，所以整个文本都被匹配了。

需要注意的是，re.DOTALL标志只对"."符号起作用，其他的元字符和字符类仍然按照原来的规则匹配。
如果需要匹配包括换行符在内的所有字符，可以使用如下的正则表达式：

pattern = re.compile('.*', re.DOTALL | re.MULTILINE)

re.M

🧾 🧾 语法： re.MULTILINE 或简写为 re.M

🧾 🧾 含义： 多行模式，当某字符串中有换行符\n，默认模式下是不支持换行符特性的，比如：行开头和行结尾，而多行模式下是支持匹配行开头的。

例如，如果要匹配字符串apple，可以使用以下代码：

import re

pattern = re.compile('apple', re.MULTILINE)
text = 'The apple is red'

match = pattern.search(text)

if match:
    print(match.group())
else:
    print('未找到匹配的字符串')

运行结果：

注意：正则语法中^匹配行开头、\A匹配字符串开头，单行模式下它两效果一致，多行模式下\A不能识别\n。

re.X

🧾 🧾 语法： re.VERBOSE 或简写为 re.X

🧾 🧾 作用： 详细模式，可以在正则表达式中加注解！

例如：

import re

# 匹配电子邮件地址
pattern = re.compile(r'''
    ^                   # 匹配字符串开头
    [\w\.\+\-]+         # 用户名，可以包含字母、数字、点、加号和减号
    @                   # @ 符号
    [\w\.\-]+           # 域名，可以包含字母、数字、点和减号
    \.                  # . 符号
    [a-zA-Z]{2,4}       # 域名后缀，可以是 2 到 4 个字母
    $                   # 匹配字符串结尾
''', re.VERBOSE)

# 测试正则表达式
print(pattern.match('john.doe+test@example.com'))

输出：

<re.Match object; span=(0, 27), match='john.doe+test@example.com'>

re.L

🧾 🧾 语法： re.LOCALE 或简写为 re.L

🧾 🧾 作用： 由当前语言区域决定 \w, \W, \b, \B 和大小写敏感匹配，这个标记只能对byte样式有效，该标记官方已经不推荐使用，因为语言区域机制很不可靠，它一次只能处理一个 "习惯”，而且只对8位字节有效。

使用 re.LOCALE 可能会影响正则表达式的行为，因为它取决于系统的本地化设置。因此，如果需要编写可移植的正则表达式，最好不要使用 re.LOCALE。

以下是一个使用 re.LOCALE 的示例：

import re

# 匹配非字母数字字符
pattern = re.compile(r'\W+', re.LOCALE)

# 测试正则表达式
print(pattern.findall('Hello, 你好！'))

输出：

[',', '！']

re.U

🧾 🧾 语法： re.UNICODE 或简写为 re.U

🧾 🧾 作用： 与 ASCII常量类似，匹配unicode编码支持的字符，但是Python3默认字符串已经是Unicode，所以显得有点多余。

在 Python 3 中，默认情况下所有正则表达式都启用了 Unicode 匹配模式，所以在大多数情况下不需要使用 re.UNICODE。

以下是一个使用 re.UNICODE 的示例：

import re

# 匹配非字母数字字符
pattern = re.compile(r'\W+', re.UNICODE)

# 测试正则表达式
print(pattern.findall('Hello, 你好！'))

输出：

[',', '！']

🧾 🧾 理论讲解完毕，结合之前学到的知识和新学到的知识来实战吧！🧾 🧾 ！

美某杰实战

import requests
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
}
for i in range(1, 4):
    url = f'https://www.meishij.net/chufang/diy/jiangchangcaipu/?&page={i}'

    html = requests.get(url, headers=headers)


    print(html.text)

运行结果：

<div class="c1"><strong>蛤蜊酿虾滑</strong><span>0 评论  0 人气</span><em>朴朴超市</em></div>
						<div class="c2"><ul><li class="li1">4步 / 大概30分钟</li><li class="li2">蒸 / 咸鲜味</li></ul></div>	

<div class="c1"><strong>洋葱焖鸡</strong><span>0 评论  2 人气</span><em>东古美食厨房</em></div>
						<div class="c2"><ul><li class="li1">5步 / 大概15分钟</li><li class="li2">焖 / 家常味</li></ul></div>

<div class="c1"><strong>蒜蓉粉丝蒸鲍鱼</strong><span>0 评论  1 人气</span><em>靓杰</em></div>
						<div class="c2"><ul><li class="li1">11步 / 大概60分钟</li><li class="li2">蒸 / 家常味</li></ul></div>

'<div class="c1"><strong>(\w+)</strong><span>(.*?)</span><em>(.*?)</em></div>\s*<div class="c2"><ul><li class="li1">(.*?)</li><li class="li2">(.*?)</li></ul></div>',

“.*?” 表示非贪心算法，表示要精确的配对。

“.*”表示贪心算法，表示要尽可能多的匹配

1️⃣1️⃣完整代码如下：

import re
import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
}


def main(index):
    url = f'https://www.meishij.net/chufang/diy/jiangchangcaipu/?&page={index}'

    html = requests.get(url, headers=headers)

    data = re.findall(
        '<div class="c1"><strong>(\w+)</strong><span>(.*?)</span><em>(.*?)</em></div>\s*<div class="c2"><ul><li class="li1">(.*?)</li><li class="li2">(.*?)</li></ul></div>',
        html.text)

    for i in data:
        print(i)


for i in range(1, 4):
    main(i)

运行结果：

写入csv文件：

先导入：

f = open('data.csv', 'w+', encoding='gbk', newline='')
csv_f = csv.writer(f)
csv_f.writerow(['菜名', '信息', '作者', '大概步骤', '类型'])

然后把这个代码写进去，就得到一个完整的代码：

import csv
import re
import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
}

f = open('data.csv', 'w+', encoding='gbk', newline='')
csv_f = csv.writer(f)
csv_f.writerow(['菜名', '信息', '作者', '大概步骤', '类型'])


def main(index):
    url = f'https://www.meishij.net/chufang/diy/jiangchangcaipu/?&page={index}'

    html = requests.get(url, headers=headers)
    # print(html.text)

    data = re.findall(
        '<div class="c1"><strong>(\w+)</strong><span>(.*?)</span><em>(.*?)</em></div>\s*<div class="c2"><ul><li class="li1">(.*?)</li><li class="li2">(.*?)</li></ul></div>',
        html.text)
    # print(data)
    for i in data:
        csv_f.writerow(i)
        print(i)


for i in range(1, 4):
    main(i)

f.close()

我们来查看一下csv文件：