原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
这篇文章主要是介绍Python爬取网页信息时，经常使用的正则表达
式及方法。它是一篇总结性文章，实用性比较大，主要解决自己遇到
的爬虫问题，也希望对你有所帮助~
当然如果会Selenium基于自动化测试爬虫、BeautifulSoup分析网
页DOM节点，这就更方便了，但本文的是介绍基于正则的底层
爬取分析。
涉及内容如下：
•常用正则表达式爬取网页信息及HTML分析总结
o1.获取tr/tr之间内容
o2.获取ahref../a超之间内容
o3.获取URL最后一个参数命名或传递参数
o4.爬取网页中所有URL
o5.爬取网页标题title两种方法
o6.定位table位置并爬取属性-属性值
o7.过滤span/span等
o8.获取script/script等内容
o9.通过rece函数过滤br/
o10.获取img../中超及过滤img
推荐基础文章：Python正则表达式指南-AstralWind
1.获取tr/tr之间内容
该部分主要是通过正则表达式获取两个之间的内容，通常这种标
签都是成对出现的。
开始如：tr、th、td、a、table、div...
后缀如：/tr、/th、/td、/a、/table、/div...
代码：
res_tr=rtr(.*?)/tr
m_tr=re.findall(res_tr,language,re.S|re.M)
例子：
[python]viewincopy
1.#coding=utf-8
2.importre
3.
4.language=trth性別：/thtd男/td/trtr
5.
6.#正则表达式获取tr/tr之间内容
7.res_tr=rtr(.*?)/tr
8.m_tr=re.findall(res_tr,language,re.S|re.M)
9.forlineinm_tr:
10.printline
11.#获取表格第一列th属性
12.res_th=rth(.*?)/th
13.m_th=re.findall(res_th,line,re.S|re.M)
14.formminm_th:
15.printunicode(mm,utf-8),#unicode防止乱
16.#获取表格第二列td属性值
17.res_td=rtd(.*?)/td
18.m_td=re.findall(res_td,line,re.S|re.M)
19.fornninm_td:
20.printunicode(nn,utf-8)
[python]viewincopy
1.
2.th性別：/thtd男/td
3.性別：男
4.
python通过re模块对正则表达式的支持。使用re的一般步骤是
先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern
实例处理文本并获得匹配结果（一个Match实例），最后使用
Match实例获得信息，进行其他的操作。
findall(string[,pos[,endpos]])|re.findall(pattern,string[,
flags]):搜索string，以列表形式返回全部能匹配的子串。其中RE的
常见参数包括：
re.I(re.
文档评论（0）