python中怎么利用正则表达式从网页摘取信息

python中怎么利用正则表达式从网页摘取信息，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

确认数据源

练习从网页爬取数据时，为了不触发网站的反爬机制，建议打开网页另存为html文件。我从某网站保存了一页关于房产信息的网页，尝试从中爬取信息。

然后用notepad++打开该文件，看看文件内容。

编写正则表达式

是不是感觉有点无从下手？别慌，慢慢来。通过对比网页和网页代码我们确认信息特征。

房产名称：

急降60万  急卖全款客户来 宝山二村好位置

复制该信息，到html文件中通过ctrl+F查找该信息，然后认真查看"房产名称"前后的字符特征：

前面的字符特征：

;"  >

后面的字符特征：

 

现在对照房产名称前后的字符特征编写正则表达式，同时给"房产名称"进行分组命名(?P.*?)：

;"  >(?P.*?) 

注意： .*?在爬取网页时经常会用到，表示匹配任意内容任意数量直到遇到后面的字符特征结束。

房型：

现在再观察下一项"房型"信息前后的字符特征：

前面的字符特征：

span>

后面的字符特征：

如法炮制，提取"房型"信息并进行分组命名(?P.*?)：

span>(?P.*?)

注意： 在房产名称和房型之间有大段网页代码，我们可以写.*?对应该段代码表示跳过。

面积：

现在再观察下一项"面积"信息前后的字符特征：

前面的字符特征：

<span>

后面的字符特征：

 
如法炮制，提取"面积"信息并进行分组命名(?P.*?)：
<span>(?P.*?) 
总价：
现在就剩最后一项"总价"信息，继续查找该信息前后的字符特征：
前面的字符特征：
<b>
后面的字符特征：
<
如法炮制，提取"总价"信息并进行分组命名(?P.*?)：
<b>(?P.*?)<
现在提取网页数据四项信息的正则表达式均已写好，注意每一项信息之间间隔了很多的网页代码，我们可以用.*?对应该段代码表示跳过。让我们现在把4段信息连起来，写出完整的正则表达式：
rex = ';"  >(?P.*?)&nbsp;.*?span>(?P.*?).*?<span>(?P.*?) <b>(?P.*?)<'
编写代码
import rewith open('房屋信息.html',encoding='utf8') as f:text = f.read()rex = ';"  >(?P.*?)&nbsp;.*?span>(?P.*?).*?<span>(?P.*?) <b>(?P.*?)<'ret = re.finditer(rex, text, re.S)j = 1for i in ret:print(j,i.group('name'), i.group('type'), i.group('area'), i.group('price'))j +=1
输出内容
最终输出内容有120项，信息式样如下：
看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注行业资讯频道，感谢您对的支持。