学习了这么多课，我想大家已经发现了，web scraper 主要是用来爬取文本信息的。

在爬取的过程中，我们经常会遇到一个问题：网页上的数据比较脏，我们只需要里面的一部分信息。比如说要抓取 电影的评价人数，网页中抓到的原始数据是 ，但是我们期望只抓取数字，把 这三个汉字丢掉。

这种类似的操作在 Excel 可以利用公式等工具处理，其实在 web scraper 里，也有一个利器，那就是正则表达式。

正则表达式是一个非常强大工具，它主要是用来处理文本数据的，常用来匹配、提取和替换文本，在计算机程序中有非常广泛的应用。

web scraper 中也内置了正则表达式工具，但只提供了提取的功能。虽然功能有所残缺，对于 web scraper 使用者来说完全够用了，毕竟 web scraper 的定位就是不会写代码的小白，我们只需要学习最基础的知识就可以了。

我们先用 web scraper 初步尝试一下正则表达式。这里还是用豆瓣电影做例子，我们先选择电影的评价人数，预览图是这个样子的：

Text 选择器有个 的输入框，这个就是输入正则表达式的地方。我们输入 ，然后再点击预览，是这个样子的：

这时候你应该就明白了， 就是匹配一个数字的意思。如果我们要匹配多个数字呢？很简单，后面再加个「 」号就好。把 输入进去，预览一下：

很明显，所有的数字都匹配出来了。

上面讲了用 匹配数字，我们想一下日常用到的文本信息，不外乎这几种：数字、小写字母、大写字母，汉字，特殊字符（比如说各种计量单位、下划线回车等符号） 。

正则表达式里都有匹配这些字符的方法，下面我用一个表格列举出来：

上面列举了一些常用的，其实这些规则可以组合起来，比如说 和 组合起来，就是 ，表示匹配所有的字母。这些组合也有一些简写，我这里也列举一些：

基本上掌握以上内容就能匹配绝大多数字符了，这里我推荐一个正则练习网站：

http://c.runoob.com/front-end/854

按照下图所示就可以练习正则匹配了：

结合前面的例子，我们知道这些规则只能匹配一个字符，如何匹配多个字符？这就要学习正则表达式限定符。

我们已经知道在 [0-9] 后面加个加号「」就可以匹配多个字符了，其实还有很多限定符，详情可见下图表格：

学到这里，正则表达式可以算是入门了，我们可以上手几个真实的例子练习一下：

1.提取价格标签中的数字

假设 web scraper 爬到的文本信息是 ，我们要把 提取出来。这个这个文本里有 5 类数据：

首先我们匹配小数点前的数字 ，因为价格什么数字可以能出现，而且位数一般都大于 1 位，所以我们用 来匹配；

考虑到小数点「」在正则表达式里有特殊含义，我们需要小数点前面加反斜杠 表示转义，用 匹配；

小数部分同理，也用 匹配。

把这三部分组合在一起，即「」，这个表达式可以用一个图来表示：

上面就是我们写出的匹配正则，可以放在刚刚推荐的网站上验证一下：

2.匹配日期

假设 web scraper 爬到的文本信息是 ，我们要把 提取出来。我们把这个文本分解一下：

把上面的分析结果综合一下，就是

看上去还是挺复杂的，但是如果按上面的分析步骤一步一步来，你会发现匹配规则其实还是比较清晰的。

同样我们可以用一张图来表示上面的正则表达式：

本篇教程只是正则的入门学习，很多知识点还没有讲到。如果你对此感兴趣，可以去下面几个网站学习：

1.菜鸟教程：正则表达式

https://www.runoob.com/regexp/regexp-tutorial.html

继续深入学习的一个网站，不过想成为高手，还得多加练习

2.正则表达式在线测试

http://c.runoob.com/front-end/854

可以测试自己写的正则是否正确的一个网站，而且网页末有常用的正则表达式，很多可以直接复制黏贴来用。

3.Regulex 和 RegExr

https://regexr.com/

https://jex.im/regulex/

可以可视化的显示自己的正则匹配规则，教程中我就用了 regulex 生成正则匹配规则图。

我看了 web scraper 的源代码，它的正则表达式支持不完全，目前只支持提取文字的功能：

    以上就是本篇文章【简易数据分析 17 ｜ Web Scraper 高级用法——利用正则表达式筛选文本信息】的全部内容了，欢迎阅览 ！ 文章地址：http://dfvalve.xrbh.cn/quote/1452.html 
     行业      资讯      企业新闻      行情      企业黄页      同类资讯      网站地图      返回首页 迅博思语资讯移动站 http://keant.xrbh.cn/ , 查看更多