正則表達式練習

獲取網頁中文本信息

試驗中用到www.17k.com的資源，參考了http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html的博文。

from urllib import urlopen
import re

# 將正則表達式編譯成Pattern對象
# re.S(DOTALL): 點任意匹配模式，改變'.'的行為。不加匹配不到內容？
p = re.compile(r'<div class="p" id="chapterContent">(.*?)<p class="recent_read"', re.S)

# 從指定的URL讀取內容
text = urlopen(r'http://www.17k.com/chapter/317131/7299531.html').read()

# 搜索string，以列表形式返回全部能匹配的子串，並連接
str = ''
for m in p.findall(text):                                                                   
    str += m

# sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
# 使用repl替換string中每一個匹配的子串后返回替換后的字符串。
# 當repl是一個字符串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。 
# 當repl是一個方法時，這個方法應當只接受一個參數（Match對象），並返回一個字符串用於替換（返回的字符串中不能再引用分組）。 
# count用於指定最多替換次數，不指定時全部替換。 
p1 = re.compile('(?P<pre>^|<br>)')  
print p1.sub(r'\n', str)

 

from urllib import urlopen
import re

p = re.compile(r'<div class="p" id="chapterContent">(.*?)<p class="recent_read"', re.S)

text = urlopen(r'http://www.17k.com/chapter/317131/7299531.html').read()

str = ''
for m in p.findall(text):                                                                   
    str += m


str = str.replace('<br>', '\n')

print str

 

。