Python爬蟲10-頁面解析數據提取思路方法與簡單正則應用

GitHub代碼練習地址：正則1：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac15_RE1.py
　　　　　　　　　　 正則2：match、search、findall函數的使用案例：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac16_RE2.py

1、頁面解析和數據提取

　　①結構化數據： 先有的結構，在談數據
    　　JSON文件
          JSON Path
          轉換成Python類型進行操做（json類）
    　　XML文件
          轉換成python類型（xmltodict）
          XPath
          CSS選擇器
          正則
　　 ②非結構化數據：先有數據，再談結構
    　　　 文本
   　　    電話號碼
   　　　  郵箱地址
          一般處理此類數據，使用正則表達式
    　　   Html文件
        　　正則
        　　XPath
        　　CSS選擇器

2、正則簡單應用

正則表達式：一套規則，能夠在字符串文本中進行搜查替換等

python中正則模塊是re

使用大體步驟：
　　1. compile函數將正則表達式的字符串編譯爲一個Pattern對象
　　2. 經過Pattern對象的一些列方法對文本進行匹配，匹配結果是一個Match對象
　　3. 用Match對象的方法，對結果進行操縱

正則經常使用方法：
    match: 從開始位置開始查找，一次匹配
    search：從任何位置查找，一次匹配， 案例v25
    findall： 所有匹配，返回列表, 案例v26
    finditer： 所有匹配，返回迭代器, 案例v26
    split： 分割字符串，返回列表
    sub：替換
匹配中文
    中文unicode範圍主要在[u4e00-u9fa5]
    
貪婪與非貪婪模式
    貪婪模式： 在整個表達式匹配成功的前提下，儘量多的匹配
    非貪婪模式： xxxxxxxxxxxxxxxxxxxxxx, 儘量少的匹配
    python裏面數量詞默認是貪婪模式
    例如：
        查找文本abbbbbbccc
        re是 ab*（*表示能夠有一個或多個，也能夠沒有）
        貪婪模式： 結果是abbbbbb
        非貪婪： 結果是a