प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

---

आँकडानां विश्लेषणार्थं पूर्वस्य BeautifulSoup पुस्तकालयस्य अतिरिक्तं द्वौ विधिौ स्तः : नियमितव्यञ्जनानि Xpath च ।

1. नियमितव्यञ्जनानि

नियमितव्यञ्जनानि (संक्षेपेण RE) स्ट्रिंग्-प्रतिमानानाम् वर्णनाय, मेलनाय च प्रयुक्तानि साधनानि सन्ति ।

पाठसंसाधनं, दत्तांशसत्यापनं, पाठसन्धानं प्रतिस्थापनं च अन्येषु परिदृश्येषु च अस्य व्यापकरूपेण उपयोगः भवति । नियमितव्यञ्जनानि विशेषवाक्यविन्यासस्य उपयोगं कुर्वन्ति यत् तारानाम् उपरि जटिलप्रतिमानमेलनं सक्षमं करोति ।

नियमित अभिव्यक्तिपरीक्षा : १.ऑनलाइन नियमित अभिव्यक्ति परीक्षण

1. सामान्यतया प्रयुक्ताः मेटावर्णाः

मेटावर्णाः - नियतार्थयुक्ताः विशेषचिह्नाः । प्रत्येकं मेटावर्णं पूर्वनिर्धारितरूपेण केवलमेकं स्ट्रिंग् मेलनं करोति, नूतनपङ्क्तिवर्णैः सह मेलनं कर्तुं न शक्नोति ।

2. परिमाणकर्त्ता

परिमाणकर्ता : पूर्ववर्ती मेटावर्णस्य आवृत्तीनां संख्यां नियन्त्रयति

आलस्यं मेलनं.*? : यथासम्भवं न्यूनानि वर्णाः मेलयन्तु।पुनः पुनः मेटावर्णानां अनन्तरं योजयति? आलस्यमेलनं कार्यान्वितम्।
लोभी मिलान.* : यथासंभवं वर्णानाम् मेलनं कुर्वन्तु। पूर्वनिर्धारितपुनरावृत्तिमेटावर्णाः लोभी भवन्ति ।

3.पुनः मॉड्यूल

पायथन् मध्ये नियमितव्यञ्जनानि संसाधितुं, भवान् उपयोक्तुं शक्नोति re module, एतत् मॉड्यूल् स्ट्रिंग् अन्वेष्टुं, मेलनं कर्तुं, परिवर्तनं च कर्तुं कार्याणां समुच्चयं प्रदाति ।

import re

# 示例文本
text = "在2024年，Python是最受欢迎的编程语言之一。Python 3.9版本在2020年发布。"

# 1. re.search() 搜索字符串，返回第一个匹配的对象
# 查找第一个数字序列
search_result = re.search(r'd+', text)
if search_result:
    print(f"re.search: 找到的第一个数字是 '{search_result.group()}'，位置在 {search_result.start()}")  

# 2. re.match() 从字符串起始位置匹配模式
# 匹配字符串开头是否为 '在'
match_result = re.match(r'在', text)
if match_result:
    print(f"re.match: 匹配的字符串是 '{match_result.group()}'，位于字符串的开始")

# 3. re.fullmatch() 整个字符串完全匹配模式
# 检查整个字符串是否只包含中文字符
fullmatch_result = re.fullmatch(r'[u4e00-u9fff]+', '在编程')
if fullmatch_result:
    print(f"re.fullmatch: 整个字符串完全匹配，匹配到的内容是 '{fullmatch_result.group()}'")  

# 4. re.findall() 返回字符串中所有非重叠匹配的列表
# 查找所有的数字序列
findall_result = re.findall(r'd+', text)
print(f"re.findall: 找到的所有数字序列是 {findall_result}") 

# 5. re.finditer() 返回字符串中所有非重叠匹配的迭代器
# 查找所有的数字序列，并逐一输出
finditer_result = re.finditer(r'd+', text)
for match in finditer_result:
    print(f"re.finditer: 找到的数字是 '{match.group()}'，位置在 {match.start()}")  

# 6. re.sub() 用替换字符串替换匹配模式的所有部分
# 将所有数字替换为 '#'
sub_result = re.sub(r'd+', '#', text)
print(f"re.sub: 替换后的字符串是: {sub_result}") 

# 7. re.split() 根据模式匹配分割字符串
# 按照空白字符或标点分割字符串
split_result = re.split(r'[，。 ]+', text)
print(f"re.split: 分割后的字符串列表是: {split_result}") 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

4. क्रॉल Douban चलच्चित्रम्

इत्यस्मात्‌<li>टैग् तः आरभ्य क्रमेण चलचित्रनाम युक्तेन टैग् इत्यनेन सह मेलनं कुर्वन्तु<span class="title">टैग, अलोभी मोडस्य उपयोगं कुर्वन्तु (.*?) नामकं ग्रहणसमूहं उपयुज्य यावत् अग्रिमः स्पष्टः टोकनः न लभ्यते तावत् मध्ये विद्यमानाः केचन वर्णाः मेलयति(?P<name>)चलचित्रस्य शीर्षकभागं निष्कासयन्तु।

पुनः अभिव्यक्ति लेखनम् : १.

<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>
1

क्रॉलर कोडः : १.

import requests
import re
from bs4 import BeautifulSoup

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0"
}

for start_num in range(0, 250, 25):
    response = requests.get(f"https://movie.douban.com/top250?start={start_num}", headers=headers)
    # 拿到页面源代码
    html = response.text
    # 使用re解析数据
    obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>',re.S)
    # 开始匹配
    result = obj.finditer(html)
    # 打印结果
    for it in result:
        print(it.group('name'))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

2. Xpath

Xpath इति XML दस्तावेजेषु अन्वेषणार्थं भाषा अस्ति ।

lxml मॉड्यूल् संस्थापयन्तु: pip install lxml

1. Xpath विश्लेषणम्

1. नोड चयन

द्वितीयः

III.सामान्यतया प्रयुक्तानि कार्याणि

• text(): तत्त्वस्य पाठं चिनोतु।
• @attr: तत्वस्य विशेषतां चिनोतु।
• contains(): समावेशसम्बन्धं निर्धारयतु।
• starts-with(): न्यायस्य आरम्भः।

from lxml import etree

html_content = '''
<html>
  <body>
    <div class="movie">
      <span class="title">肖申克的救赎</span>
      <span class="title">The Shawshank Redemption</span>
    </div>
    <div class="movie">
      <span class="title">霸王别姬</span>
      <span class="title">Farewell My Concubine</span>
    </div>
  </body>
</html>
'''

# 解析HTML
tree = etree.HTML(html_content)

# 提取电影标题
titles_cn = tree.xpath('//div[@class="movie"]/span[@class="title"][1]/text()')
titles_en = tree.xpath('//div[@class="movie"]/span[@class="title"][2]/text()')

# 打印结果
for cn, en in zip(titles_cn, titles_en):
    print(f'中文标题: {cn}, 英文标题: {en}')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

//div[@class="movie"]/span[@class="title"][1]/text()
1

//div[@class="movie"]: सर्वाणि वर्गाणि यथा चिनोतुmovieदिव तत्वम् ।

/span[@class="title"][1]: प्रत्येकं div as मध्ये क्लास् चिनोतुtitleप्रथमं स्पैनतत्त्वम् ।

/text(): span element इत्यस्य पाठसामग्री प्राप्तुम्।

//div[@class="movie"]/span[@class="title"][2]/text()
1

उपर्युक्तव्यञ्जनस्य सदृशं, परन्तु प्रत्येकस्मिन् div मध्ये वर्गः चयनितः भवति ।titleद्वितीयः स्पन् तत्वः ।

2. क्रॉल Douban चलच्चित्रम्

import requests
from lxml import etree

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0"
}

for start_num in range(0, 250, 25):
    response = requests.get(f"https://movie.douban.com/top250?start={start_num}", headers=headers)
    # 拿到页面源代码
    html = response.text
    # 使用lxml解析页面
    html = etree.HTML(html)
    # 提取电影名字
    titles = html.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()')
    # 提取评分
    ratings = html.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/div/span[2]/text()')
    # 打印结果
    for title, rating in zip(titles, ratings):
        print(f"电影: {title} 评分: {rating}")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20