首页 > 其他 > 详细

正则提取案例(古诗文网)

时间:2019-02-23 19:47:22      阅读:181      评论:0      收藏:0      [点我收藏+]

正则的一个实例,提取古诗文网https://www.gushiwen.org/default_1.aspx的诗文。

参照课程写的。

 1 import re
 2 import requests
 3 
 4 
 5 def parse_page(url):
 6     headers = {user-agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36}
 7     response = requests.get(url,headers=headers)
 8     text = response.text
 9     # print(text)
10     values = re.findall(
11         <p><a style="font-size.*? target="_blank"><b>(.+?)</b></a>[\s\S]*?target="_blank">(.+?)</a><span>.+? 
12         target="_blank">(.+?)</a></p>[\s\S]+?<div class="contson".+?>\n([\s\S]+?)\n</div>, text)
13 
14     poems = []
15     for value in values:
16         title, dynasty, author, content = value
17         # 替换br为换行   ,,有些诗文中会有<p>标签要去掉
18         content = re.sub(<br />, \n, content)
19         content = re.sub(<.*?>, ‘‘, content)
20         poem = {
21             title: title,
22             dynasty: dynasty,
23             author: author,
24             content: content
25         }
26         poems.append(poem)
27     return poems
28 
29 
30 def main():
31     url = https://www.gushiwen.org/default_1.aspx
32     poems = parse_page(url)
33     print(poems)
34 
35 
36 if __name__ == __main__:
37     main()

 

老师课程中代码是将标题、朝代、作者、内容分开获取的,然后用zip函数将多个列表组合成一个元祖列表。

技术分享图片

 

备忘点

一、zip函数,可以将多个列表组合成一个元祖的列表

技术分享图片

二、

title, dynasty, author, content = value可以直接将元祖value中的元素分别赋值

三、

re.findall(pattern, text, re.DOTALL)正则中点.不能匹配换行,可以使用[\s\S]表示所有字符,或者可以使用re.DOTALL或re.S标志就可以使点.表示所有字符了

首先想到的是[.\n]表示,可是不能匹配,查百度发现原来是[.]表示的就只是点.这一个字符了.所以不行.

 

 

 

 

正则提取案例(古诗文网)

原文:https://www.cnblogs.com/weiwei2016/p/10423880.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!