数据解析概述
数据解析说白了就是提取数据
解析方式有：
1.re解析
2.bs4解析
3.xpath解析
4.pyquery解析
当然也可以混合使用
那么我们的关注点主要在1，3上
有兴趣的可以看下2，4
正则表达式
在线练习网站
元字符：
用于匹配的字符
我搜集了以下常用的元字符：
| 字符 | 描述 | |||
|---|---|---|---|---|
| \ | 将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符 | |||
| ^ | 匹配输入字符串的开始位置。 | |||
| $ | 匹配输入字符串的结束位置。 | |||
| * | 匹配前面的子表达式零次或多次 | |||
| + | 匹配前面的子表达式一次或多次 | |||
| ? | 匹配前面的子表达式零次或一次 | |||
| {n} | n 是一个非负整数。匹配确定的 n 次 | |||
| {n,} | n 是一个非负整数。至少匹配n 次 | |||
| {n,m} | m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次 | |||
| ? | 当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串 | |||
| . | 匹配除换行符（\n、\r）之外的任何单个字符。要匹配包括 '\n' 在内的任何字符，请使用像"**(.\ | \n)**"的模式。 | ||
| (pattern) | 匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在JScript 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 '(' 或 ')'。 | |||
| (?:pattern) | 匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 "或" 字符 (\ | ) 来组合一个模式的各个部分是很有用。例如， 'industr(?:y\ | ies) 就是一个比 'industry\ | industries' 更简略的表达式。 |
| (?=pattern) | 正向肯定预查（look ahead positive assert），在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，"Windows(?=95\ | 98\ | NT\ | 2000)"能匹配"Windows2000"中的"Windows"，但不能匹配"Windows3.1"中的"Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。 |
| (?!pattern) | 正向否定预查(negative assert)，在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如"Windows(?!95\ | 98\ | NT\ | 2000)"能匹配"Windows3.1"中的"Windows"，但不能匹配"Windows2000"中的"Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。 |
| (?<=pattern) | 反向(look behind)肯定预查，与正向肯定预查类似，只是方向相反。例如，"`(?<=95 | 98 | NT | 2000)Windows"能匹配"2000Windows"中的"Windows"，但不能匹配"3.1Windows"中的"Windows`"。 |
| (?<!pattern) | 反向否定预查，与正向否定预查类似，只是方向相反。例如"`(?<!95 | 98 | NT | 2000)Windows"能匹配"3.1Windows"中的"Windows"，但不能匹配"2000Windows"中的"Windows`"。 |
| x\ | y | 匹配 x 或 y。例如，'z\ | food' 能匹配 "z" 或 "food"。'(z\ | f)ood' 则匹配 "zood" 或 "food"。 |
| [xyz] | 字符集合。匹配所包含的任意一个字符。例如， '[abc]' 可以匹配 "plain" 中的 'a'。 | |||
| 1 | 负值字符集合。匹配未包含的任意字符。例如， '2' 可以匹配 "plain" 中的'p'、'l'、'i'、'n'。 | |||
| [a-z] | 字符范围。匹配指定范围内的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。 | |||
| 3 | 负值字符范围。匹配任何不在指定范围内的任意字符。例如，'3' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。 | |||
| \b | 匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。 | |||
| \B | 匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。 | |||
| \cx | 匹配由 x 指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 'c' 字符。 | |||
| \d | 匹配一个数字字符。等价于 [0-9]。 | |||
| \D | 匹配一个非数字字符。等价于 4。 | |||
| \f | 匹配一个换页符。等价于 \x0c 和 \cL。 | |||
| \n | 匹配一个换行符。等价于 \x0a 和 \cJ。 | |||
| \r | 匹配一个回车符。等价于 \x0d 和 \cM。 | |||
| \s | 匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。 | |||
| \S | 匹配任何非空白字符。等价于 5。 | |||
| \t | 匹配一个制表符。等价于 \x09 和 \cI。 | |||
| \v | 匹配一个垂直制表符。等价于 \x0b 和 \cK。 | |||
| \w | 匹配字母、数字、下划线。等价于'[A-Za-z0-9_]'。 | |||
| \W | 匹配非字母、数字、下划线。等价于 '6'。 | |||
| \xn | 匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，'\x41' 匹配 "A"。'\x041' 则等价于 '\x04' & "1"。正则表达式中可以使用 ASCII 编码。 | |||
| \num | 匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，'(.)\1' 匹配两个连续的相同字符。 | |||
| \n | 标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为向后引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。 | |||
| \nm | 标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式，则 nm 为向后引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。 | |||
| \nml | 如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。 | |||
| \un | 匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。 |
