《Python網絡數據采集》讀書筆記（三）
常用符號
(1)* 匹配前面的字符、子表達式或括號裏的字符0次或多次 例如：a*b* 結果：aaa,aaabb,bb
(2)+ 匹配前面的字符、子表達式或括號裏的字符至少1次 例如：a+b+ 結果：aaab,aabb,abbb
(3)[] 匹配任意一個字符（相當於“任選一個”） 例如：[A-Z]* 結果：AP,CAP,QWER
(4)() 表達式編組（會優先運行） 例如：(a*b)* 結果：aabab,abaab,ababaaab
(5){m,n} 匹配前面的字符、子表達式或括號裏的字符m到n次 例如：a{2,3}b{2,3} 結果：aabb,aaabb,aaabbb
(6)[^] 匹配任意一個不在中括號裏的字符 例如：[^A-Z]* 結果：apple,low,qwe
(7)| 匹配任意一個由豎線分割的字符、子表達式 例如：b(a|i|e)d 結果：bad,bid,bed
(8). 匹配任意單個字符(包括符號、數字和空格等) 例如：b.d 結果：bad,b d,b$d
(9)^ 指字符串開始位置的字符或子表達式 例如：^a 結果：ap,asdl,a
(10)\ 轉義字符（把有特殊含義的字符轉換成字面形式） 例如：\.\|\\ 結果：.|\
(11)$ 經常用在正則表達式的末尾，表示“從字符串的末端匹配 例如：[A-Z]*[a-z]*$ 結果：ABCabc,zzyx,Bob
(12)?! “不包含”。通常放在字符或正則表達式前面 例如：^((?![A-Z]).)*$ 結果：no-caps-here,$y01s,a5d!ne
示例：
字母“a”至少出現一次；後面跟著字母“b”重復 5 次；後面再跟字母“c”重復任意偶數次；最後一位是字母“d”，也可以沒有。
aa*bbbbb(cc)*(d | )
識別郵箱地址。
[A-Za-z0-9\._+]+@[A-Za-z]+\.(com|org|edu|net)
2、正則表達式和BeautifulSoup
網頁上有幾個商品圖片——它們的源代碼形式：<img src="../img/gifts/img3.jpg">
如果用findAll("img")抓取所有圖片將抓到許多不需要的圖片，用正則：
# -*- coding: utf-8 -*-
import re
from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://www.pythonscraping.com/pages/page3.html")
bsObj = BeautifulSoup(html, 'lxml')
images = bsObj.findAll("img", {"src":re.compile("\.\.\/img\/gifts\/img.*\.jpg")})
for image in images:
print(image["src"])這段代碼會打印出圖片的相對路徑，都是以 ../img/gifts/img 開頭，以.jpg結尾。
運行結果：
../img/gifts/img1.jpg ../img/gifts/img2.jpg ../img/gifts/img3.jpg ../img/gifts/img4.jpg ../img/gifts/img6.jpg
3、獲取屬性
>>> image.attrs
{'src': '../img/gifts/img6.jpg'}
>>> image.attrs["src"]
'../img/gifts/img6.jpg'4、Lambda表達式
Lambda表達式本質上就是一個函數，可以作為其他函數的變量使用。
BeautifulSoup允許我們把特定函數類型當作findAll函數的參數（必須把一個標簽作為參數且返回結果是布爾類型）。BeautifulSoup 用這個函數來評估它遇到的每個標簽對象，最後把評估結果為“真”的標簽保留，把其他標簽剔除。
soup.findAll(lambda tag: len(tag.attrs) == 2)
這行代碼會找出有兩個屬性的標簽，如下：
<div class="body" id="content"></div>
<span style="color:red" class="title"></span>
《Python網絡數據采集》讀書筆記（三）