python：处理字符串的另一大神器——正则表达式，利用正则提取豆瓣电影排行榜信息

在之前的文章中，我们已经学会了使用bs4库中的BeautifulSoup，用于获取网页源代码中的标签。 今天来一起学习一下正则表达式。

在python中需要使用正则表达式的话，需要先声明：

import  re

首先正则表达式中，有许多的元字符，所谓元字符也就是含有特殊意义的字符，比如在正则中，“.”表示匹配除了换行符（\n）以外的任意字符。

下面是从百度找的一张表，供大家参考：

其实在实际过程中，我们并不需要全部死记硬背下来所有的内容，只需要留个大致印象，在实践中，慢慢掌握。

下面我们进行一个实战：用正则表达式的方法抓取豆瓣电影排行榜中的电影名称和豆瓣评分

第一步，分析网页

打开豆瓣排行榜，F12分析网页元素

可以很容易的分析出，标题所在的标签是：

<span class="title">肖申克的救赎</span>

评分所在的标签是：

<span class="rating_num" property="v:average">9.0</span>

首先，调用re库和requests库

import re import requests 在这里我简单的介绍一下一些概念，在正则中，“.*”表示贪婪匹配，也就是说，会尽可能多的匹配字符串，并且在遇到换行符的时候结束匹配。 实验如下：

In [1]: import  requests

In [2]: import  re

In [3]: r=requests.get('https://movie.douban.com/top250?start=0&filter=')

In [4]: r.encoding
Out[4]: 'utf-8'

In [5]: r=r.text

In [32]: p=re.compile('.*')

In [33]: p.findall(r)

可以看见输出内容为：

compile（）方法是构建一个pattern对象，用于正则。

findall（）方法是用来返回所有匹配结果。

而“.?”则表示非贪婪匹配，也就是说尽可能少的进行匹配。用上述同样的方法，可以发现“.?”根本匹配不到任何数据，返回的是一个空列表。

同理，抓取标题和评分：

In [34]: p=re.compile('<span.*?class=title">(.*?)</span>')

In [35]: p.findall(r)
Out[35]: []

In [38]: p=re.compile('<span.*?class="title">(.*?)</span>|<span class="rating_num" property="v:average">(.*?)</span>')

In [39]: p.findall(r)

结果如下：

通过上述实验，是不是发现，正则表达式比beautifulsoup简单的多？

只需要两行代码就将信息提取出来了，真的很强大！

全文结束,欢迎在评论区讨论~