Python常用網頁字符串處理技巧

首先一些Python字符串處理的簡易常用的用法。其他的以后用到再補充。

 

1.去掉重復空格

s = "hello   hello   hello"
s = ' '.join(s.split())

2.去掉所有回車（或其他字符或字符串）

s = "hello\nhello\nhello hello\n"
print(s)
s = s.replace("\n","")
print(s)

3.查找字符串首次出現的位置（沒有返回-1）

s = "hello\nhello\nhello hello\n"
print(s.find('\n'))
print(s.find('la'))

4.查找字符串從后往前找首次出現的位置（沒有返回-1）

s = "hello\nhello\nhello hello\n"
print(s.rfind('\n'))
print(s.rfind('la'))

5.將字符串轉化成列表list

s = "hello\nhello\nhello hello\n"
print(list(s))

6.查找所有匹配的子串

import re

s = "hello\nhello\nhello hello\n"
print(re.findall('hello',s)) # hello也可以換成正則表達式

 

然后是網頁字符串處理的高端用法：（綜合運用requests模塊，beautifulsoup模塊，re模塊等）

1.requests獲取一個鏈接的內容並原封不動寫入文件

import requests

r = requests.get('https://baike.baidu.com')
with open('test.html', 'wb') as fd:
    for chunk in r.iter_content(100):
        fd.write(chunk)

2.讀取一個文件的所有內容存到一個字符串里

# encoding : utf-8

with open('test.html','r',encoding='utf-8') as f:
    content = f.readlines()
content = ''.join(content)
# content = content.replace('\n','') # 如果想去掉回車可以加上這行
print(content)

3.把網頁字符串用BeautifulSoup存起來處理

from bs4 import BeautifulSoup

soup = BeautifulSoup(content,'html.parser')
print(soup.prettify())

4.存到BeautifulSoup里之后這個字符串就可以任你擺布了，比如：提取出所有<a>標簽

soup = BeautifulSoup(content,'html.parser')
print(soup.find_all('a'))

或者提取出所有<a>標簽和<b>標簽

soup = BeautifulSoup(content,'html.parser')
print(soup.find_all(['a','b']))

這些屬於beautifulsoup的內容了，可以看官方文檔：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

也可以看我的另一篇博客：http://www.cnblogs.com/itlqs/p/5902678.html

5.多個關鍵字切分字符串

import re
re.split('; |, ',str)

>>> a='Beautiful, is; better*than\nugly'
>>> import re
>>> re.split('; |, |\*|\n',a)
['Beautiful', 'is', 'better', 'than', 'ugly']