Python爬虫怎么提取特定格式数据_使用正则表达式精确匹配内容-Python教程-PHP中文网

正则匹配失败主因是忽略文本真实结构，如换行、空格、html标签干扰；需用re.s跨行、预清洗、非贪婪捕获、re.m多行匹配，并在dom复杂时切换beautifulsoup。

python爬虫怎么提取特定格式数据_使用正则表达式精确匹配内容

正则表达式匹配失败的常见原因

多数人写完 re.findall() 拿不到结果，不是正则写错了，而是忽略了原始文本的实际结构。比如网页里目标内容被换行、空格或 HTML 标签隔开，而你写的正则默认不跨行、不忽略空白。

典型错误现象：re.findall(r'价格：(\d+)', html) 在

价格：<br><span>199</span>

这种结构下完全失效。

用 re.DOTALL 让 . 匹配换行符
用 re.S 简写替代 re.DOTALL
避免直接匹配 HTML 标签，优先用 re.sub(r']+>', '', html) 预清洗（简单场景）
调试时先用 print(repr(html[100:200])) 查看真实字节，别只靠浏览器“查看源码”

提取带单位/格式的数字（如“¥199.00”、“库存：3件”）

这类数据关键在「边界控制」和「非贪婪捕获」。贪心匹配容易吃掉后续内容，导致截断或漏匹配。

示例：从 原价：¥299.00，现价：¥199.00（立减¥100.00） 中分别提取三个价格：

testing-python

使用pytest编写和评估有效的Python测试。适用于编写测试、审查测试代码、调试测试失败或提高测试覆盖率。

下载

import re
text = "原价：¥299.00，现价：¥199.00（立减¥100.00）"
prices = re.findall(r'¥(\d+\.\d{2})', text)  # → ['299.00', '199.00', '100.00']
# 注意：\d+\.\d{2} 比 \d+\.?\d* 更稳，避免匹配到 "¥100" 或 "¥100." 这类不完整值

单位前置时，把单位写进正则但用括号只捕获数字部分
中文单位（如“件”“台”“GB”）需加 u 前缀或确保文件编码为 UTF-8，否则 re.compile(r'(\d+)件') 可能报错
用 re.search() 替代 re.findall() 当只需首个匹配（性能更好，且避免空列表异常）

处理多行混合格式的文本块（如商品参数表）

参数表常以“键：值”形式存在，但换行不规律、冒号后有空格或缩进，甚至夹杂无用行。这时单行正则容易断裂。

推荐策略：先用 re.split(r'\n\s*\n', text) 切分逻辑段落，再对每段用 re.findall(r'^([^：\n]+)：([^：\n]+)$', block, re.M) 提取键值对。

re.M（MULTILINE）让 ^ 和 $ 匹配每行首尾，而非整个字符串首尾
中文冒号 ： 和英文冒号 : 是不同字符，必须明确区分；混用时可用 [：:]
若值中含换行（如“描述：这是一款……\n支持多语言”），需改用 re.search(r'描述：((?:.|\n)*?)(?=\n\S+：|$)', text) 非贪婪跨行捕获

为什么不用正则而选 BeautifulSoup？

当目标结构稳定、嵌套深或依赖标签属性（如 <div class="price">），硬刚正则会越来越脆弱。不是正则不行，而是维护成本陡增。<p>一个信号：你开始写 <code>r'<div>]*class="[^"]*price[^"]*"[^>]*>(.*?)</div>' 并反复调 re.S | re.I，就该切到 BeautifulSoup 了。