python3re怎么用来提取大量的数据-创新互联

这篇文章主要介绍了python3 re怎么用来提取大量的数据，具有一定借鉴价值，需要的朋友可以参考下。希望大家阅读完这篇文章后大有收获。下面让小编带着大家一起了解一下。

具体代码：

re_label_script
# -*- coding:utf-8 -*-
# 自定义创建文件夹并保存图片
import re
import os
from urllib.request import urlretrieve
 
content = '''

'''
 
# 自定义函数，在创建新的文件夹
# 固定，可直接套用
# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
def mkdir(path):
    # 去除首位空格
    path = path.strip()
    # 去除尾部符号 ‘\\’
    path = path.rstrip("\\")
    # 判断路径是否存在
    isExists = os.path.exists(path)
    # 去掉目录路径，返回文件夹名
    fp_new = os.path.basename(path)
    if not isExists:
        # 如果不存在，则创建目录 os.makedirs(path)
        os.makedirs(path)
        print(path + '  新文件夹' + fp_new + '创建成功')
        return True
    else:
        # 如果目录存在则不创建
        print(path + '  文件夹' + fp_new + '已存在')
        return False
 
# 当前路径下创建文件夹用来保存图片
# 获取当前路径dir_path
dir_path = os.path.abspath(".")
# dir_new 绝对路径
dir_new = dir_path + '\\pic_down'           # 新建文件夹的名字
# 传参并创建新文件夹在当前路径下，文件夹名称为pic_down
mkdir(dir_new)
# 固定，可直接套用
# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
html_script = r''
info_script = re.findall(html_script, content, re.S|re.M)
for script in info_script:
    res_original = r'"original":"(.*?)"'  # 原图
    pic_script = re.findall(res_original, script)
    for pic in pic_script:
        print(pic)
        # urlretrieve()函数下载图片
        filename = os.path.basename(pic)                    # 去掉目录路径，返回文件名
        urlretrieve(pic, dir_new + '\\' +filename)        #下载图片
 
 
 
re_label_span 过滤等标签
# -*- coding:utf-8 -*-
# 过滤等标签
import re
 
language = '''

周恩来

性別：
男d


異名：
(字) 翔宇


政黨：
中国共产党


籍貫：
浙江省绍兴市


'''
 
# 获取table中的tr值
res_tr = r"(.*?)"
info_tr = re.findall(res_tr, language, re.S|re.M)
for line in info_tr:
    # 获取表格第一列 th 属性
    res_th = r"(.*?)"
    info_th = re.findall(res_th, line, re.S|re.M)
    # print(info_th)          # ['性別：']\n['異名：']\n['政黨：']\n['籍貫：']
    for mm in info_th:
        # 处理掉href链接
        if "href" in mm:    # 如果href链接存在info_th中，则处理
            restr = r'(.*?)'  # 只获取a标签的内容，不获取链接 re.findall() （.*？）
            h = re.findall(restr, mm, re.S|re.M)
            print(h[0])    # 为什么加逗号
        else:
            print(mm)      # 为什么加逗号
 
    # 获取表格第二列 th 属性
    res_td = r'(.*?)'
    info_td = re.findall(res_td, line, re.S|re.M)
    for nn in info_td:            # 两个if判断的先后顺序
        # 处理掉href链接或者rel等信息 (对于政党中既有span 又有a标签，由于内容是在a标签中，不须考虑span的影响)
        if "href" in nn:        # 判断内容直接所属的标签
            res_value = r'(.*?)'     # 处理等信息
            td_value = re.findall(res_value, nn, re.S|re.M)
            # print(td_value)
            for value in td_value:              # 一个td中可能会有多个href或者rel等信息
                print(value)
        elif "span" in nn:
            res_value = r'(.*?)'     # 对于政党中，由于已经先判断了href，故不会执行到elif span中
            td_value = re.findall(res_value, nn, re.S|re.M)
            for value in td_value:
                print(value)
        else:
            print(nn)
 
 
 
 
 
re_label_sub img_replace br (过滤掉换行符)
# -*- coding:utf-8 -*-
# 获取中超链接及过滤标签
import os
import re
 
value = '''



中華民國政治人士



性別：
男


政黨：


中國國民黨


'''
# # 过滤HTML标签 ,<>包含的内容全部替换为空值
# value = re.sub('<[^>]+>', '', value) # 过滤HTML标签 ,<>包含的内容全部替换为空值
# print(value)
 
# 先过滤掉上诉替换空值后的换行符

if '
' in value or '\n' in value:
    value = value.replace('
', '') # 
替换为空值
    value = value.replace('\n', ' ') # \n替换为空格
 
value = re.sub('<[^>]+>', '', value) # <>包含的内容全部替换为空值, 首位有空格
# 中華民國政治人士 性別： 男 政黨： 中國國民黨
value = value.strip() # 去掉value首尾的空格
# 中華民國政治人士 性別： 男 政黨： 中國國民黨
print(value)
 
 
 
 
re_label_table
# -*- coding:utf-8 -*-
import re
 
s = '''


序列号
DEIN3-39CD3-2093J3
日期
2013年1月22日
售价
392.70 元
说明
仅限5用户使用


'''
info = re.findall(r"(.*?)(.*?)", s, re.S|re.M)
for line in info:
    print(line[0],line[1])        #或者print(line) 一样的结果
# 序列号 DEIN3-39CD3-2093J3
# 日期 2013年1月22日
# 售价 392.70 元
# 说明 仅限5用户使用
 
#     print(line[1])
# DEIN3-39CD3-2093J3
# 2013年1月22日
# 392.70 元
# 仅限5用户使用
 
 
 
re_label_title
# -*- coding:utf-8 -*-
import re
from urllib.request import urlopen
 
request = urlopen("http://www.csdn.net/";).read().decode('utf-8';)
 
print("方法一：")           # re.search()   撇配第一个
title_pat = r"性別：男性別：女'''
# 正则表达式获取之间内容
# 核心代码：
res_tr = r'(.*?)'
m_tr = re.findall(res_tr, language, re.S|re.M)
# /核心代码
 
for line in m_tr:
    print(line)
 
# 获取表格第一列th属性
res_th = r'(.*?)'
m_th = re.findall(res_th, line, re.S|re.M)
for mm in m_th:
    print(mm)
 
# 获取表格第二列td属性
res_td = r'(.*?)'
m_td = re.findall(res_td, line, re.S|re.M)
for nn in m_td:
    print(nn)
# results:
# < th > 性別： < / th > < td > 男 < / td >
# 性別：
# 男
# < th > 性別： < / th > < td > 女 < / td >
# 性別：
# 女
 
 
 
 
 
 
re_label_head
作者： Klaus_Lyu
# -*- coding:utf-8 -*-
import re
 
content = """
    
    
    
    ;;
    var _head_start = new Date();

    img { max-width: 100%; }
    
    
"""
 
# 核心代码：
# regex = r''
# regex = r'(?<=)'
 
 
# regex = r'(?<=link.*?)href=".*?(?=")|(?<=link.*?)href=\'.*?(?=\')'
# 前提条件(?<=link.*?)不对，必须是确定的，不能用匹配的表达式，正确的是（?<=link ）
link_href = re.findall(r'(?<=)', content,)
for line in link_metal:
    print(line)
    # http - equiv = "Content-Type" content = "text/html; charset=utf-8"
    # http - equiv = "Expires"  content = "Sun, 6 Mar 2005 01:00:00 GMT"
 
link_metal = re.findall(r'', content,)
for line in link_metal:
    print(line)
    # 
    # 
 
 
 
re_label_href
# -*- coding:utf-8 -*-
import re
from urllib.request import urlopen
 
# !!!!!爬取豆瓣top250首页的源代码
# 自定义函数获取网页源代码，自动获取网站编码格式并按相应格式解码赋值给request
def download(html):
    urlorgs = urlopen(html).read()
    # 检测url的编码格式
    # char_url = chardet.detect(urlorgs)
    # print(char_url['encoding'])
    # print(char_url)    # {'encoding': 'GB2312', 'confidence': 0.99, 'language': 'Chinese'}
                         # url按照对应的编码格式进行解码输出, chardet.detect()内容为key-value字典
    # request = urlorgs.decode(char_url['encoding'])
    request = urlorgs.decode('utf-8')
    return request
 
# 传参 html,获得正确编码后的网页源代码
request = download("https://movie.douban.com/top250";;)
# print(request)
 
# 爬链接要有针对性地根据目标值来观察链接的特征，依据特征进行针对性地爬取
# # 爬取a标签中所有URL链接 （目测意义不大）
urls = re.findall(r"", request, re.I|re.M)
for url in urls:
    print(url)
 
# 爬取所有href前缀的link（目测也是意义不大）
link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", request)
for url in link_list:
    print(url)

感谢你能够认真阅读完这篇文章，希望小编分享python3 re怎么用来提取大量的数据内容对大家有帮助，同时也希望大家多多支持创新互联网站建设公司，，关注创新互联行业资讯频道，遇到问题就找创新互联网站建设公司，，详细的解决方法等着你来学习!