Python 爬虫中的字符串处理技巧包括：1. 字符串拆分；2. 字符串连接；3. 字符串替换；4. 正则表达式；5. HTML 解析。此外，还有字符编码处理、字符过滤、字符转义等补充技巧。这些技术可用于有效地解析和提取网页中的信息。
Python爬虫中字符串处理技巧
前言
在Python爬虫中，经常需要处理从网页上抓取的字符串。这些字符串可能包含各种特殊字符、HTML标签和转义序列。为了有效地解析和提取信息，需要使用适当的字符串处理技术。
常用的字符串处理方法
立即学习“Python免费学习笔记（深入）”；
1. 字符串拆分
使用split()方法可以根据分隔符将字符串拆分为多个子字符串。例如：
s = "Hello,World,Python"
s.split(",")
# ['Hello', 'World', 'Python']2. 字符串连接
使用+运算符可以连接多个字符串。例如：
s1 = "Hello" s2 = "World" s3 = s1 + " " + s2 # s3 = "Hello World"
3. 字符串替换
使用replace()方法可以将字符串中的特定字符或子字符串替换为另一个字符或子字符串。例如：
s = "This is a sample string."
s.replace("sample", "example")
# "This is an example string."4. 正则表达式
正则表达式是一种强大的字符串匹配工具，可以用于在字符串中查找、提取和替换复杂模式。例如：
import re pattern = r"\d+" s = "The number is 12345." re.findall(pattern, s) # ['12345']
5. HTML解析
使用Beautiful Soup或lxml等HTML解析库可以轻松地从HTML字符串中提取数据。例如：
from bs4 import BeautifulSoup html = "This is a paragraph.
" soup = BeautifulSoup(html, "html.parser") soup.p.text # "This is a paragraph."
其他技巧
1. 字符编码
确保正确处理字符串的字符编码，以免出现乱码。可以使用encode()和decode()方法转换字符编码。
2. 字符过滤
使用string.ascii_letters、string.digits等常量过滤字符串中的特定字符类型。
3. 字符转义
转义特殊字符，例如&、和>，以避免与HTML解析冲突。可以使用html.escape()函数进行转义。
案例
从网页中提取电子邮件地址
import re html = "Email: example@domain.com
" pattern = r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}" re.findall(pattern, html) # ['example@domain.com']
