Python爬蟲10-頁面解析資料提取思路方法與簡單正則應用

GitHub程式碼練習地址：正則1：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac15_RE1.py
　　　　　　　　　　 正則2：match、search、findall函式的使用案例：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac16_RE2.py

一、頁面解析和資料提取

　　①結構化資料： 先有的結構，在談資料
    　　JSON檔案
          JSON Path
          轉換成Python型別進行操作（json類）
    　　XML檔案
          轉換成python型別（xmltodict）
          XPath
          CSS選擇器
          正則
　　 ②非結構化資料：先有資料，再談結構
    　　　 文字
   　　    電話號碼
   　　　  郵箱地址
          通常處理此類資料，使用正則表示式
    　　   Html檔案
        　　正則
        　　XPath
        　　CSS選擇器

二、正則簡單應用

正則表示式：一套規則，可以在字串文字中進行搜查替換等

python中正則模組是re

使用大致步驟：
　　1. compile函式將正則表示式的字串編譯為一個Pattern物件
　　2. 通過Pattern物件的一些列方法對文字進行匹配，匹配結果是一個Match物件
　　3. 用Match物件的方法，對結果進行操縱

正則常用方法：
    match: 從開始位置開始查詢，一次匹配
    search：從任何位置查詢，一次匹配， 案例v25
    findall： 全部匹配，返回列表, 案例v26
    finditer： 全部匹配，返回迭代器, 案例v26
    split： 分割字串，返回列表
    sub：替換
匹配中文
    中文unicode範圍主要在[u4e00-u9fa5]

貪婪與非貪婪模式
    貪婪模式： 在整個表示式匹配成功的前提下，儘可能多的匹配
    非貪婪模式： xxxxxxxxxxxxxxxxxxxxxx, 儘可能少的匹配
    python裡面數量詞預設是貪婪模式
    例如：
        查詢文字abbbbbbccc
        re是 ab*（*表示可以有一個或多個，也可以沒有）
        貪婪模式： 結果是abbbbbb
        非貪婪： 結果是a