寒假大数据学习笔记五
今天学习内容为正则表达式，这一块我一整天竟然没有学完。
在一开始爬取网页匹配有用的字符串时，我用的是find方法，如下：
1 def find_image(page_url): 2 html = url_open(page_url).decode("utf-8") 3 image_addr = [] 4 5 a = html.find('img style="cursor:pointer;"') 6 while a != -1: 7 b = html.find(".jpg", a, a + 255) 8 if b != -1: 9 image_addr.append(html[a + 133:b + 4]) 10 else: 11 b = a + 133 12 13 a = html.find('img style="cursor:pointer;"', b) 14 15 for each in image_addr: 16 print(each) 17 18 return image_addr
可以看到的是，为了得到我想要的链接，我要用find方法检索全文，并通过关键词“img style="cursor:pointer;"
”和“.jpg”来锁定链接，这样做十分不方便，因为很难保证得到的是想要的链接，一旦有非链接匹配成功，同样也会被扒下来，这样会对清洗数据造成很大的麻烦。而正则表达式，无疑会方便许多。
但正则表达式的逻辑非常麻烦（个人认为），举例如下：
想要匹配IP地址的正则表达式，我穷尽脑汁写出的如下： string = "((25[0-5]|2[0-4]\d|[01]{0,1}\d{0,2}\d)\.){3}(25[0-5]|2[0-4]\d|[01]{0,1}\d{0,2}\d)" ，IP地址的格式为 a.b.c.d ，其中abcd分别都是0-255中的某一个数字。这个式子分为3部分：第一部分是 ((25[0-5]|2[0-4]\d|[01]{0,1}\d{0,2}\d)\.) ，
这表示a.，而第一部分加上 {3} 则代表将第一部分重复3次，这就变成了 a.b.c. ，然后在加上第一部分，整个IP地址匹配正则式就完成了。
正则表达式几乎应用于所有语言，所以十分重要。
PS.
