python爬虫正则练习题及代码答案.docx

正则练习题 1 已知字符串: info = 'baidu' 用正则模块提取出网址："http://www.baidu.com"和链接文本:"baidu" 2 字符串："one1two2three3four4" 用正则处理，输出 "1234" 3 已知字符串：text = "JGood is a handsome boy, he is cool, clever, and so on..." 查找所有包含'oo'的单词。 Python正则表达式是爬虫开发中不可或缺的工具，它能帮助我们从复杂的文本中提取出需要的信息。这里我们将详细探讨三个正则练习题及其解题思路。 **练习题1**： 题目要求从字符串`info = 'baidu'`中提取出网址`"http://www.baidu.com"`和链接文本`"baidu"`。由于提供的`info`字符串并未包含完整的URL，我们假设原始字符串是HTML格式，如`'<a href="http://www.baidu.com">baidu</a>'`。这需要我们解析HTML并提取链接和文本。我们可以使用正则表达式`"[w.]*baidu\.*\w*"`来匹配： ```python import re info = '<a href="http://www.baidu.com">baidu</a>' pattern1 = re.compile(r"[w.]*baidu\.*\w*") f1 = pattern1.findall(info) print(f1) # 输出: ['www.baidu.com', 'baidu'] ``` **练习题2**： 对于字符串`"one1two2three3four4"`，我们需要提取出所有的数字，即`"1234"`。可以使用`\d{1}`来匹配单个数字，然后通过`findall`获取所有匹配项： ```python info1 = "one1two2three3four4" pattern2 = re.compile(r'\d{1}') f2 = pattern2.findall(info1) print(f2) # 输出: ['1', '2', '3', '4'] ``` 要将这些数字连接成一个字符串，可以使用`join()`函数： ```python result = ''.join(f2) # 输出: '1234' ``` **练习题3**： 在字符串`"JGood is a handsome boy, he is cool, clever, and so on..."`中查找所有包含'oo'的单词。可以使用`\w*oo\w*`来匹配这样的单词： ```python info3 = "JGood is a handsome boy, he is cool, clever, and so on..." pattern3 = re.compile(r'\w*oo\w*') f3 = pattern3.findall(info3) print(f3) # 输出: ['cool', 'clever'] ``` 这展示了如何在Python中使用正则表达式进行文本匹配。`re.compile()`用于创建正则表达式模式，`findall()`则用来查找所有匹配项。在实际爬虫开发中，正则表达式常常被用于从HTML、XML等结构化数据中提取关键信息，如URL、电子邮件地址、日期等。 正则表达式的强大之处在于它的灵活性和可扩展性。你可以根据需要调整模式来匹配特定的字符串模式。例如，如果需要匹配以`http`或`https`开头的完整URL，可以使用`r'(http|https):\/\/[\w.]+\.+\w*'`。如果要提取出字符串中的所有数字，不论连续还是间隔，可以使用`r'\d+'`。 学习和掌握正则表达式不仅可以提高爬虫的效率，也能在文本处理、数据分析等领域大显身手。在Python中，`re`模块提供了丰富的功能，包括匹配、替换、分割等，是处理文本的得力助手。