蒋振飞的博客 - 网络爬虫02:正则Re模块   
正在加载蒋振飞的博客...
V3.0
蒋振飞的博客

网络爬虫02:正则Re模块

发布时间: 2018年07月01日 发布人: 蒋振飞 热度: 428 ℃ 评论数: 0

一、正则表达式

1.正则表达式概述  

    ①正则表达式,又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法(英语:Regular Expression,在代码中常简写为regex、regexp或RE)
    ②正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串
    ③在很多文本编辑器里,正则表达式通常被用来检索、替换那些匹配某个模式的文本。

2.表示字符(正则表达式的单字符匹配)

    字符               功能
    ①[ ]               匹配[ ]中列举的字符,[^]取方括号内没有的字符
    ②\d              匹配数字,即0-9[0-9]
    ③\D              匹配非数字,即不是数字[^0-9]
    ④\s               匹配空白,即 空格,tab键
    ⑤\S              匹配非空白
    ⑥\w              匹配单词字符,即a-z、A-Z、0-9、_[a-zA-Z0-9_]
    ⑦\W             匹配非单词字符[^a-zA-Z0-9_]

3.表示数量

    字符                功能
    ①*                匹配前一个字符出现0次或者无限次,即可有可无
    ②+               匹配前一个字符出现1次或者无限次,即至少有1次
    ③?                匹配前一个字符出现1次或者0次,即要么有1次,要么没有
    ④{m}            匹配前一个字符出现m次
    ⑤{m,}           匹配前一个字符至少出现m次
    ⑥{m,n}         匹配前一个字符出现从m到n次

4.原始字符串

    ①Python中字符串前面加上 r 表示原生字符串
    ②正则表达式里使用"\"作为转义字符,这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\",那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\":前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠

5.表示边界

    字符                 功能
    ①^                 匹配字符串开头
    ②$                 匹配字符串结尾
    ③\b                匹配一个单词的边界
    ④\B                匹配非单词边界

6.匹配分组

    字符                       功能
    ①|                       匹配左右任意一个表达式
    ②(ab)                 将括号中字符作为一个分组
    ③=\num            引用分组num匹配到的字符串
    ④(?P<name>)   分组起别名
    ⑤(?P=name)      引用别名为name分组匹配到的字符串

二、re模块高级用法

1.爬虫四个主要步骤

    ①明确目标 (要知道你准备在哪个范围或者网站去搜索)
    ②爬 (将所有的网站的内容全部爬下来)
    ③取 (去掉对我们没用处的数据)
    ④处理数据 (按照我们想要的方式存储和使用)
    当使用了爬虫程序把网页爬取下来的时候,有些数据可能是根本就不需要的,如一些html文本,可能还带有css样式。所以要想过滤出想要的数据就要用到Python的re模块,也就是爬虫过程的第三步,取。
    下面就仔细地将re模块的使用做一个总结:

2.re 模块的一般使用步骤

    ①使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象
    ②通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果,一个 Match 对象。
    ③最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作

import re

# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')

    在上面,我们已将一个正则表达式编译成 Pattern 对象,接下来,我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。

3.Pattern 对象的一些常用方法

    ①match 方法:从起始位置开始查找,一次匹配
    ②search 方法:从任何位置开始查找,一次匹配
    ③findall 方法:全部匹配,返回列表
    ④finditer 方法:全部匹配,返回迭代器
    ⑤split 方法:分割字符串,返回列表
    ⑥sub 方法:替换

三、match 方法

    match 方法用于查找字符串的头部 (也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。它的一般使用形式如下:

match(string[, pos[, endpos]])

    其中,string是待匹配的字符串,pos和endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回None。

>>> import re
>>> pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

>>> m = pattern.match('one12twothree34four')  # 查找头部,没有匹配
>>> print m
None

>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配,没有匹配
>>> print m
None

>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配,正好匹配
>>> print m                                         # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>

>>> m.group(0)   # 可省略 0
'12'
>>> m.start(0)   # 可省略 0
3
>>> m.end(0)     # 可省略 0
5
>>> m.span(0)    # 可省略 0
(3, 5)

    在上面,当匹配成功时返回一个 Match 对象,其中:  
    ①group([group1, &hellip;]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0);
    ②start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;
    ③end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;
    ④span([group]) 方法返回 (start(group), end(group))。
    再看看一个例子:

>>> import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # re.I 表示忽略大小写
>>> m = pattern.match('Hello World Wide Web')

>>> print m     # 匹配成功,返回一个 Match 对象
<_sre.SRE_Match object at 0x10bea83e8>

>>> m.group(0)  # 返回匹配成功的整个子串
'Hello World'

>>> m.span(0)   # 返回匹配成功的整个子串的索引
(0, 11)

>>> m.group(1)  # 返回第一个分组匹配成功的子串
'Hello'

>>> m.span(1)   # 返回第一个分组匹配成功的子串的索引
(0, 5)

>>> m.group(2)  # 返回第二个分组匹配成功的子串
'World'

>>> m.span(2)   # 返回第二个分组匹配成功的子串
(6, 11)

>>> m.groups()  # 等价于 (m.group(1), m.group(2), ...)
('Hello', 'World')

>>> m.group(3)   # 不存在第三个分组
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: no such group

四、search 方法

    search方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:

search(string[, pos[, endpos]])

    其中,string 是待匹配的字符串,pos和endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是0和len (字符串长度)。当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

    看看例子: 

>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four')  # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)

    再来看一个例子:

# -*- coding: utf-8 -*-

import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
# 使用 search() 查找匹配的子串,不存在匹配的子串时将返回 None
# 这里使用 match() 无法成功匹配
m = pattern.search('hello 123456 789')
if m:
    # 使用 Match 获得分组信息
    print 'matching string:',m.group()
    # 起始位置和结束位置
    print 'position:',m.span()

执行结果:

matching string: 123456
position: (6, 12)

五、findall 方法

1.findall

    matchsearch方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,需要搜索整个字符串,获得所有匹配的结果。

2.findall方法的使用形式

findall(string[, pos[, endpos]])

    其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。它以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。

    看看例子:

import re
pattern = re.compile(r'\d+')   # 查找数字

result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)

print result1
print result2

执行结果:

['123456', '789']
['1', '2']

    再看一个例子:

import re

# re模块提供一个方法叫compile模块,提供我们输入一个匹配的规则
# 然后返回一个pattern实例,我们根据这个规则去匹配字符串
pattern = re.compile(r'\d+\.\d*')

# 通过partten.findall()方法就能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

# findall 以 列表形式 返回全部能匹配的子串给result
for item in result:
    print item

运行结果:

123.141593
3.15

六、finditer 方法

    finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果 Match 对象的迭代器。
    看看例子:

# -*- coding: utf-8 -*-

import re
pattern = re.compile(r'\d+')

result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)

print type(result_iter1)
print type(result_iter2)

print 'result1...'
for m1 in result_iter1:   # m1 是 Match 对象
    print 'matching string: {}, position: {}'.format(m1.group(), m1.span())

print 'result2...'
for m2 in result_iter2:
    print 'matching string: {}, position: {}'.format(m2.group(), m2.span())

执行结果:

<type 'callable-iterator'>
<type 'callable-iterator'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)

七、split 方法

    split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:

split(string[, maxsplit])

    其中,maxsplit 用于指定最大分割次数,不指定将全部分割。
    看看例子:

import re
p = re.compile(r'[\s\,\;]+')
print p.split('a,b;; c   d')

执行结果:

['a', 'b', 'c', 'd']

八、sub 方法

1.sub 方法用于替换

sub(repl, string[, count])

2.repl 可以是字符串也可以是一个函数

    ①如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;
    ②如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
    ③count 用于指定最多替换次数,不指定时全部替换。  
    看看例子:

import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'

print p.sub(r'hello world', s)  # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
print p.sub(r'\2 \1', s)        # 引用分组

def func(m):
    return 'hi' + ' ' + m.group(2)

print p.sub(func, s)
print p.sub(func, s, 1)         # 最多替换一次

执行结果:

hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
# 将匹配到的阅读次数加1
ret = re.sub(r"\d+", '998', "python = 997")
print ret

# 也可以用函数的方法替换998:
def add(temp):
      strNum = temp.group()
      num = int(strNum) + 1
      return str(num)

ret = re.sub(r"\d+", add, "python = 997")

九、匹配中文

    在某些情况下,要想匹配文本中的汉字,有一点需要注意的是,中文的 unicode 编码范围主要在 [u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。

    假设现在想把字符串 title = u'你好,hello,世界' 中的中文提取出来,可以这么做:

import re

title = u'你好,hello,世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)

print result

注意到,我们在正则表达式前面加上了两个前缀 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。

执行结果:

[u'\u4f60\u597d', u'\u4e16\u754c']

注意:贪婪模式与非贪婪模式

贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配 ( * );
非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配 ( ? );

打赏 蒋振飞

取消

感谢您的支持,我会继续努力的!

扫码支持
一分也是爱     一块不嫌多

点击 支付宝 或 微信 打赏蒋振飞

打开支付宝扫一扫,即可进行扫码打赏哦

评论列表