为什么python中用正则.*输出为空列表

1、选取正则表达式的方式不对。

2、你爬取的内容是动态的，返回的html里没有相应的信息，例如京东的价格，评论，这样就不能用正则表达式来匹配，你需要从接口里爬取。

3、以上两种可能都没有的话，就只有可能你爬的网址有十分强大的反爬虫，就是不让你爬。

目的

        各大电商竞争越来激烈，为了提升客户服务质量，除了打价格战外，了解客户的需求点，对消费者的文本评论进行数据挖掘,倾听客户的心声越来越重要。

工具

1、贝壳采集器

2、Google浏览器

3、Python37 + Pycharm

数据采集

①本文对京东平台的手机进行爬虫，首先进入京东商城，选择一款手机，这里以华为Mate 30 Pro 5G为例

②在采集平台输入网址，点击贝壳采集开始配置信息

③因为是采集评论所以还需要进行下预 *** 作配置切换页面：点击预 *** 作按钮-->添加点击元素按钮-->左键点击流程图中添加元素按钮(悬浮显示 *** 作键)-->点击悬浮显示 *** 作键<选择按钮>  -->点击网页商品评论TAB页切换按钮 -->点击保存

④没有识别出评论信息，手工 *** 作下：清空字段-->更改页面类型为手工识别列表 --> 选中两个一样元素(这里两个用户名称) -->下一页未自动识别成功-->更改分页类型为手动点击下一页-->配置完成-->开始采集

数据预处理

当我们通过爬虫获取到我们想要的数据之后，进行简单的观察，可以发现评论的一些特点：

文本短，基本上大量的评论就是一句话

情感倾向明显：明显的词汇如”好” “可以”

语言不规范：会出现一些网络用词，符号，数字等

重复性大：一句话出现词语重复

数据量大

故我们需要对这些数据进行数据预处理

数据预处理包括：去重、分词等

下面我们将进行数据清洗

import jieba

#评论内容进行去重

def quchong(infile, outfile):

    infopen = open(infile, 'r', encoding='utf-8')

    outopen = open(outfile, 'w', encoding='utf-8')

    lines = infopenreadlines()

    list_1 = []

    for line in lines:

        if line not in list_1:

            list_1append(line)

            outopenwrite(line)

    infopenclose()

    outopenclose()

quchong("E:/comments/华为P30txt", "E:/comments/P30去重txt")

# jiebaload_userdict('userdicttxt')

#创建停用词list

def stopwordslist(filepath):

    stopwords = [linestrip() for line in open(filepath, 'r', encoding='utf-8')readlines()]

    return stopwords

#对评论内容进行分词

def seg_sentence(sentence):

    sentence_seged = jiebacut(sentencestrip())

stopwords = stopwordslist('stopwordstxt')  #这里加载停用词的路径

    outstr = ''

    for word in sentence_seged:

        if word not in stopwords:

            if word != '\t':

                outstr += word

                outstr += " "

    return outstr

inputs = open('E:/comments/P30去重txt', 'r', encoding='utf-8')

outputs = open('E:/comments/P30分词txt', 'w')

for line in inputs:

line_seg = seg_sentence(line)  #这里的返回值是字符串

    outputswrite(line_seg + '\n')

outputsclose()

inputsclose()

print('分词完毕')

数据分析

上面我们已经通过去重和jieba分词将爬取的内容进行了预处理，接下来就开始对处理过的数据进行分析，包括词频统计、关键词提取以及词云的生成等

#词频统计

import jiebaanalyse

from collections import Counter  #词频统计

with open('E:/comments/P30分词txt', 'r', encoding='utf-8') as fr:

    data = jiebacut(frread())

data = dict(Counter(data))

with open('E:/comments/P30词频txt', 'w', encoding='utf-8') as fw:  # 读入存储wordcount的文件路径

    for k, v in dataitems():

        fwwrite('%s, %d\n' % (k, v))

import jiebaanalyse

import matplotlibpyplot as plt

from wordcloud import WordCloud

#生成词云

with open('E:/comments/P30词频txt') as f:

#提取关键词

    data = fread()

    keyword = jiebaanalyseextract_tags(data, topK=50, withWeight=False)

    wl = " "join(keyword)

#设置词云

    wc = WordCloud(

#设置背景颜色

        background_color = "white",

#设置最大显示的词云数

        max_words=2000,

#这种字体都在电脑字体中，一般路径

        font_path='C:/Windows/Fonts/simfangttf',

        height=1200,

        width=1600,

#设置字体最大值

        max_font_size=100,

#设置有多少种随机生成状态，即有多少种配色方案

        random_state=30,

    )

myword = wcgenerate(wl)  #生成词云

#展示词云图

    pltimshow(myword)

    pltaxis("off")

    pltshow()

wcto_file('E:/comments/P30png')  #把词云保存下

以上就是关于为什么python中用正则.*输出为空列表全部的内容，包括:为什么python中用正则.*输出为空列表、手机评论文本挖掘与数据分析（Python）、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！