Python常用网页字符串处理技巧

首先一些Python字符串处理的简易常用的用法。其他的以后用到再补充。

1.去掉重复空格

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

2.去掉所有回车（或其他字符或字符串）

s = "hello
hello
hello hello
"
print(s)
s = s.replace("
","")
print(s)

3.查找字符串首次出现的位置（没有返回-1）

s = "hello
hello
hello hello
"
print(s.find('
'))
print(s.find('la'))

4.查找字符串从后往前找首次出现的位置（没有返回-1）

s = "hello
hello
hello hello
"
print(s.rfind('
'))
print(s.rfind('la'))

5.将字符串转化成列表list

s = "hello
hello
hello hello
"
print(list(s))

6.查找所有匹配的子串

import re

s = "hello
hello
hello hello
"
print(re.findall('hello',s)) # hello也可以换成正则表达式

然后是网页字符串处理的高端用法：（综合运用requests模块，beautifulsoup模块，re模块等）

1.requests获取一个链接的内容并原封不动写入文件

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.读取一个文件的所有内容存到一个字符串里

# encoding : utf-8

with open('test.html','r',encoding='utf-8') as f:
    content = f.readlines()
content = ''.join(content)
# content = content.replace('
','') # 如果想去掉回车可以加上这行
print(content)

3.把网页字符串用BeautifulSoup存起来处理

from bs4 import BeautifulSoup

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

4.存到BeautifulSoup里之后这个字符串就可以任你摆布了，比如：提取出所有<a>标签

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

或者提取出所有<a>标签和<b>标签

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

这些属于beautifulsoup的内容了，可以看官方文档：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.多个关键字切分字符串

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

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