##1.re正则表达式
特殊字符: ^：代表以该字符为开头。如^b就是b为开头。 .: 代表任意一个字符。如^b.就是b开头后面一个字母任意 *: 代表前一个字符可以出现任意次（0个也可以）。如^b.*就是b开头后面可有任意数个任意字母 $: 代表前一个字符为结尾符合。 如:.*3$就是以3为结尾的任意字符串 ?：非贪婪匹配。一般情况从右往左匹配正则，?可以实现从左往右，非贪婪指遇到第一个就结束。.*?(b.*?b).*就是首先开始的b和b之间的字符串 +: 代表前面的字符至少出现一次(1个到无数个)。如b.+指b后面至少一个任意字母{2} {2,5} {2, }： 代表前面的字符出现2次。代表前面的字符出现2到5次. 代表前面字符出现2次及两次以上 |：代表或的意思 b|c，从左到右，看先匹配到那个。 (): 代表子字符串。如((a|b)123)代表group(1)为外层括号里的a123|b123；group(2)为内层括号值 []: 代表[]内的字符满足任意一个都可以。1 ，[abcdefg]123代表以里面任意abcdefg中一个字母开头的都可以 2，[0-9] [a-z]代表可以为0-9范围内任意一个字符,代表a-z范围任意一个字符 3: [^1] ^为取反，只要不等于1就可以 注！（进入[]的字符都不再具有特殊含义[.*]就指匹配到.或者*） \s \S: 1：\s代表匹配到一个空格。2：\S代表匹配到一个非空格 \w \W: 匹配单词字符[a-zA-Z0-9_]/非单词字符 [\u4E00-\u9FA5]: 匹配中文汉字 \d: 匹配数字 {m} {m,n}: {m}匹配前一个字符m次，{m,n}匹配前一个字符m到n次 ------------------------------------------------- import re url='<td class="td4"><div>Pre-A</div><span class="m">1000万</span>人民币<div>融资完成</div></td>' a=re.findall(">(\d*[\u4E00-\u9FA5]+)<",url) print(a)
#2.xpath解析
a.string()用法
from lxml import etree a=""" <ul> <li>你好</li> <li>我好</li> <li>大家好</li> </ul> """ a=etree.HTML(a) b=a.xpath("//ul")[0] print(b) print(b.xpath("string(.)"))
b.contains()用法（id或者class样式有多个值时）
举例： a.xpath('//div[contains(@class,"col-xs-10")]/a/@href')c.starts-with()用法（选取摸个属性@id@class@href以某字符数开头选取）
a=""" <ul> <li id="acb">你好</li> <li>我好</li> <li>大家好</li> </ul> """ a=etree.HTML(a) b=a.xpath('//li[starts-with(@id,"ac")]/text()') print(b)d、结合re用法（re:match） #这句话也是必须写出的
from lxml import etree # import re a="<div class='cc123'>2134</div>" b=etree.HTML(a) print(b.xpath('//div/@class')[0]) print(b.xpath('//div[starts-with(@class,"cc")]/text()')) print(b.xpath(r'//div[re:match(@class,"\d+")]/text()',namespaces={"re": "http://exslt.org/regular-expressions"}))e\ normalize-space 去除文字换行空格问题 ~~删除线格式~ 最后使用这种方法出来xpath不是文字，是[<Element a at 0x10a8d1aa0>, <Element a at 0x10a28b910，需要转化
可以循环 for i in kk: i.text 出来文字