内容简介
本篇文章主要围绕HTML基本结构框架和正则表达式基础内容进行讲解，后期将会详细对HTML结构框架进行介绍，由于本篇博客主题是爬虫，简单的普及一下HTML的基础知识。
HTML基本结构框架
由于考虑到为大家讲解知识点比较枯燥，因此在讲解HTML基本结构框架的时候将会结合医院的网页结构进行讲解
图1
根据第一张图，了解整体的框架结果，在<div class="mw-parser-output"></div>标签下，包含着需要爬取的所有信息
可以看到<ul></ul>这个标签中包含很多<li></li>标签，在图中已经说明这两个标签的含义
图2
现在再来看打开<li></li>标签以后，在<li>标签中包含什么
可以在图中看到含有<b>和<ul>标签 在<b>标签中存放的是医院的名称
在<li>标签中存放的是医院中的详细信息
图3
分别打开图2中的<b>和<ul>标签，可以发现<b>标签对应是这个医院的URL和医院名称
<ul>标签对应的是许多<li>标签，这个<li>标签就是分别代表了：医院地址、联系电话、医院等级等医院信息。
相信大家在这里并不是很难理解
需要注意一点的就是在医院地址、联系电话和医院等级这些医院信息的<li>标签中，心细的小伙伴可以发现在<li>标签中含有<b>标签
<li>
<b>医院地址</b>
：北京市东城区帅府园1号(东院)/西城区大木仓胡同41号(西院)
</li>
这里是爬取医院信息的核心，为了方便大家理解，用两种方式进行讲解
1、学过python的小伙伴应该会知道字典吧（没学过的可以直接看第二种方式），字典是由键值对构成的，这里的<b>医院地址</b>可以看做键， ：北京市东城区帅府园1号(东院)/西城区大木仓胡同41号(西院)可以看做值 在数据爬取的时候，可以理解成键值对的方式进行爬取
2、Excel大家都知道吧，<b>医院地址</b>可以看做表头，：北京市东城区帅府园1号(东院)/西城区大木仓胡同41号(西院)可以看该表头下的信息 举个例子说，有一个Excel表格，A列的表头是姓名，下面对应的信息：张三、李四、王五等等
大家可以看到在数据进行保存的时候，就是按照Excel表格的形式进行保存的
到这里，相信大家对于HTML的基本结构框架已经有一个初步的了解
正则表达式
什么是正则表达式？
正则表达式是一种用于匹配和查找文本模式的工具。 是由一系列字符和特殊符号组成的字符串，可以用来描述、识别和提取符号某种模式的文本数据。
正则表达式的语法相对复杂，但一旦掌握，就可以成为处理文本数据的强大工具
当时我进行这项工作时，系统的学习过正则表达式，但是过一段时间以后不用，就会遗忘，在我看来爬虫时，只需要牢记正则表达式几个常用的元字符即可
为了方便大家更好的去理解正则表达式，我将会依据代码带着大家着步了解代码中的正则表达式
pattern = r'<li><b><a href=".+?" title=".+?">(.+?)</b>\s*<ul>' \
r'<li><b>医院地址</b>：(.+?)</li>\s*' \
r'(<li><b>联系电话</b>：(.+?)</li>)?\s*' \
r'(<li><b>医院等级</b>：(.+?)</li>)?\s*' \
r'(<li><b>重点科室</b>：(.+?)</li>)?\s*' \
r'(<li><b>经营方式</b>：(.+?)</li>)?\s*' \
r'(<li><b>传真号码</b>：(.+?)</li>)?\s*' \
r'(<li><b>电子邮箱</b>：(.+?)</li>)?'以上这个代码就是正则表达式获取信息的全部代码，下面将会对每行代码进行分析：
第一行
pattern = r'<li><b><a href=".+?" title=".+?">(.+?)</b>\s*<ul>' \大家首先来看这里的pattern，这个大家可以理解成正则表达式的一种方法（可以理解为一个模版，当引用这个模版的时候，就会从大量的信息中提取有用的信息） 所有绿色的代码都被赋值给pattern这个变量 （除了最后一行代码以外，其余行的代码都有 \ 进行一个换行的操作）
现在就开始代码进行详细的介绍
正则表达式是依据与HTML标签进行提取信息的：
<li><b><a href=".+?" title=".+?">(.+?(?<!<a))</b>\s*<ul>
这里的<li>标签就是该医院下的所有信息，<b>标签是这个医院的一个名称，大家可以看到在<b>标签中包含了一个<a>标签，这个a标签中是该医院的一个跳转超链接，<a>标签中有两个属性，分别是是href和title属性，<a href=".+?" title=".+?">，在这两个属性的后方都有.+?，这个正则表达式的名称是非贪婪模式匹配符（尽可能的少匹配字符）
举个例子方便理解非贪婪
在字符串 "abcabc" 中使用正则表达式 ".+?b"，它将匹配 "ab" 而不是整个字符串。
那么在咱们代码中所需要提取的信息，并不包括href和title属性 大家就会想如果<a href=".+?" title=".+?">这样写的话，这两个属性信息是不是就被提取出来了？ 答案是不是的，在正则表达式中，需要使用 () 对正则表达式进行一个包裹，也就是说如果是(.+?)就可以将属性给提取出来了
() 这个符号在正则表达式中称为捕获组，简单理解就是，所有需要爬取出来的信息，都需要在正则表达式的最外层加上一个捕获组 ()
还有小伙伴就想了，既然我不提取医院链接和title这个属性，我是不是可以将<a href=".+?" title=".+?">这一块代码进行删除？答案是不可以的，因为正则表达式是一个遍历的过程，如果删除这一段代码以后，那么就会自动将这一段文字全部提取出来。也就是说正则表达式是一个将无用信息使用正则表达式删除，将有用信息进行一个提取的一个过程。
下面将为大家讲解第一行代码的后半段
(.+?)</b>\s*<ul> 这一块代码依旧是结合HTML代码进行理解，在</b>之前就是对医院名称进行一个提取了 也就是下方标红的这一块代码
(.+?)这一块代码是对：北京协和医院</a>(协和医院) 这一块信息进行的一个提取 （这里需要注意一点，(.+?)这个捕获组中，捕获了</a>这一块信息，在将所有信息全部提取来以后，再将这个</a>进行删除，后续代码中有介绍）
\s*的作用是允许匹配可能存在的空白字符，如空格、制表符、换行符等。 在上图中，可以看到在(协和医院)的末尾可以发现会有很多空白字符，因此，\s*是来匹配这些空白字符的
在第一行代码的末尾有<ul>标识着对下方医院的具体信息，进行识别开始
第二行
r'<li><b>医院地址</b>：(.+?)</li>\s*' \ 在第一行代码的末尾有<ul>说明对该医院的详细信息，开始进行爬取
每一个<li>都代表着 医院各种信息 li标签的下属b标签代表着某一项医院信息的名称
（.+?）捕获了该医院地址的具体信息 （大家有可能会好奇为什么在捕获组前会有：，如果没有这个冒号的话，在匹配的结果中，会含有：这个标识：北京市东城区帅府园1号(东院)/西城区大木仓胡同41号(西院)）因此在捕获组前加上：，在最后获取信息时就不会有这个：了
第三行
r'(<li><b>联系电话</b>：(.+?)</li>)?\s*' \ 这一行代码和第二行代码相比多了一个 ()? 是由于联系电话这个医院属性，部分医院没有联系电话，因此()?代表可选项 （要注意一点就是，这个可选项是包裹在最外围的在<li>标签的最外方）
后续代码就不再一一解释了，都和第三行代码同样的道理
下期博客将会讲解完剩余的全部代码
