销售员实战－第二个爬虫的继续学习－正则表达式入门

这一次的爬虫，目标：
找出中国的企业，爬他们的电话号码，邮件，公司名称。

发现这里面需要正则表达式，好把。

python爬虫入门－正则表达式入门

思考一下有哪些需要的知识

• BeautifulSoup库的学习
• 正则表达式的学习

自己已经爬了一个数据库,以上知识是必须需要的。写到这，想到要学的东西何其多也，包括如何利用api。基本看了一下，需要的是，json. 继续爬基础吧。

第一个字符

\b : 元字符 （位置号）
匹配单词的位置： 不代表字符
如去文章中去找到hi。

>>>我们的原文章，可以是 hi! this is a hillo. hi 
   wat!   hill,thil , a
>>> hi 
>>> hi

文章内容有点乱，主要目的是，找到hi.

第二、三个字符

. 这个代表不包括换行符的任意字符。 （字符号）

* 这个代表位置，代表任意位置 （位置号）

第四个字符

/d : 代表数字，（字符号）

如匹配021-51877320

0/d{2}-/d{8}

{}:重复几次

更多的字符号

/w : 匹配字符，字母，下划线 （字符号）
/s: 代表空白字符 （字符号）

更多的位置号

^ : 匹配字符串的开始
$ : 匹配字符串的结束

重复

* : 匹配任意位置，0次或者多次

+ : 匹配1次或者多次

? : 匹配0次或者1次

｛n,m} ：重复n到m次。

查找没有预定义的字符

什么叫预定义符号？
比如我要去查找 cat, 但是你如果模糊查询，hat,或者cat,怎么办呢，［］这就是你会用到的。

［ac]: a 或者 c
[0-9]: 0到9

例子：匹配：(010)88886666，或022-22334455，或02912345678

提示用？

那么：这样来表示：

\(0?\d{2}[) -]?\d{8}

• 转义字符( 代表（
• (? 代表可能出现0次或者1次。
• \d{3} 数字重复3次
• ［｝ －］： 代表模糊，），或者－ ，或者空格。
• ［） －］？ ：代表可能0次或者1次。

但是可能会出现的情况吗？ （01088886666，如果是这样怎么办呢？

分支 （ 或）

使用我们程序见到的｜，或来避免。

(0d{2})?[- ]?\d{8}|\0d{2}[- ]?d{8}

分组（）

基本上我们的第一阶段，扫盲就要结束了， 后面就是慢慢基础补充了。最好看一下分组的意思吧。

() 比如,讲表达式分组。

192.168.001.002

• step1: d{1,3} 为什么不是d{3},000和0 的意思啊。
• step2: d{1,3}/. 匹配：192.
• step3: (d{1,3}/.){3} 重复192.168.1.
• step4: (d{1,3}/.){3}/d{1,3} : 明白了吗

但是以上会出现256.311.871.921 情况， 我们知道ip地址不能超过255，这样的情况怎么办呢？

• step1: ( /.){3}
• step2: 2[0-4]\d|25[0-5]|[01]?/d/d？ (可能只是1位数）
• step3:(2[0-4]\d|25[0-5]|[01]?/d/d？/.){3}(2[0-4]\d|25[0-5]|[01]?/d/d？)