为什么要学正则表达式

实际上爬虫一共就四个主要步骤：

  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）

我们在昨天的案例里实际上省略了第3步，也就是”取”的步骤。因为我们down下了的数据是全部的网页，这些数据很庞大并且很混乱，大部分的东西使我们不关心的，因此我们需要将之按我们的需要过滤和匹配出来。

那么对于文本的过滤或者规则的匹配，最强大的就是正则表达式，是Python爬虫世界里必不可少的神兵利器。

什么是正则表达式

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。 正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

给定的字符串是否符合正则表达式的过滤逻辑（“匹配”）；
通过正则表达式，从文本字符串中获取我们想要的特定部分（“过滤”）

5.1.png

正则表达式匹配规则

5.2.png

Python 的 re 模块

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀，示例：

r'chuanzhiboke\t\.\tpython'

re 模块的一般使用步骤如下：

  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

compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

  1. import re
  3. # 将正则表达式编译成 Pattern 对象
  4. 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。

Pattern 对象的一些常用方法主要有：

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

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。

  1. >>> import re
  2. >>> pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
  4. >>> m = pattern.match('one12twothree34four')  # 查找头部，没有匹配
  5. >>> print m
  6. None
  8. >>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
  9. >>> print m
  10. None
  12. >>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
  13. >>> print m                                         # 返回一个 Match 对象
  14. <_sre.SRE_Match object at 0x10a42aac0>
  16. >>> m.group(0)   # 可省略 0
  17. '12'
  18. >>> m.start(0)   # 可省略 0
  19. 3
  20. >>> m.end(0)     # 可省略 0
  21. 5
  22. >>> m.span(0)    # 可省略 0
  23. (3, 5)

在上面，当匹配成功时返回一个 Match 对象，其中：

  1. group([group1, …]) 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)；

  2. start([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；

  3. end([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；

  4. span([group]) 方法返回 (start(group), end(group))。
    再看看一个例子：
  1. >>> import re
  2. >>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # re.I 表示忽略大小写
  3. >>> m = pattern.match('Hello World Wide Web')
  5. >>> print m     # 匹配成功，返回一个 Match 对象
  6. <_sre.SRE_Match object at 0x10bea83e8>
  8. >>> m.group(0)  # 返回匹配成功的整个子串
  9. 'Hello World'
  11. >>> m.span(0)   # 返回匹配成功的整个子串的索引
  12. (0, 11)
  14. >>> m.group(1)  # 返回第一个分组匹配成功的子串
  15. 'Hello'
  17. >>> m.span(1)   # 返回第一个分组匹配成功的子串的索引
  18. (0, 5)
  20. >>> m.group(2)  # 返回第二个分组匹配成功的子串
  21. 'World'
  23. >>> m.span(2)   # 返回第二个分组匹配成功的子串
  24. (6, 11)
  26. >>> m.groups()  # 等价于 (m.group(1), m.group(2), ...)
  27. ('Hello', 'World')
  29. >>> m.group(3)   # 不存在第三个分组
  30. Traceback (most recent call last):
  31.   File "<stdin>", line 1, in <module>
  32. IndexError: no such group

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。

让我们看看例子：

  1. >>> import re
  2. >>> pattern = re.compile('\d+')
  3. >>> m = pattern.search('one12twothree34four')  # 这里如果使用 match 方法则不匹配
  4. >>> m
  5. <_sre.SRE_Match object at 0x10cc03ac0>
  6. >>> m.group()
  7. '12'
  8. >>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串区间
  9. >>> m
  10. <_sre.SRE_Match object at 0x10cc03b28>
  11. >>> m.group()
  12. '34'
  13. >>> m.span()
  14. (13, 15)

再来看一个例子：

  1. # -*- coding: utf-8 -*-
  3. import re
  4. # 将正则表达式编译成 Pattern 对象
  5. pattern = re.compile(r'\d+')
  6. # 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None
  7. # 这里使用 match() 无法成功匹配
  8. m = pattern.search('hello 123456 789')
  9. if m:
  10.     # 使用 Match 获得分组信息
  11.     print 'matching string:',m.group()
  12.     # 起始位置和结束位置
  13.     print 'position:',m.span()

执行结果：

  1. matching string: 123456
  2. position: (6, 12)

findall 方法

上面的 match 和 search 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，我们需要搜索整个字符串，获得所有匹配的结果。

findall 方法的使用形式如下：

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)。

findall 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：

  1. import re
  2. pattern = re.compile(r'\d+')   # 查找数字
  4. result1 = pattern.findall('hello 123456 789')
  5. result2 = pattern.findall('one1two2three3four4', 0, 10)
  7. print result1
  8. print result2

执行结果：

  1. ['123456', '789']
  2. ['1', '2']

再先看一个栗子：

  2. # re_test.py
  3. import re
  5. #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
  6. #然后返回一个pattern实例，我们根据这个规则去匹配字符串
  7. pattern = re.compile(r'\d+\.\d*')
  9. #通过partten.findall()方法就能够全部匹配到我们得到的字符串
  10. result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
  12. #findall 以 列表形式 返回全部能匹配的子串给result
  13. for item in result:
  14.     print item

运行结果：

  1. 123.141593
  2. 3.15

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：

  1. # -*- coding: utf-8 -*-
  3. import re
  4. pattern = re.compile(r'\d+')
  6. result_iter1 = pattern.finditer('hello 123456 789')
  7. result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)
  9. print type(result_iter1)
  10. print type(result_iter2)
  12. print 'result1...'
  13. for m1 in result_iter1:   # m1 是 Match 对象
  14.     print 'matching string: {}, position: {}'.format(m1.group(), m1.span())
  16. print 'result2...'
  17. for m2 in result_iter2:
  18.     print 'matching string: {}, position: {}'.format(m2.group(), m2.span())

执行结果：

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

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：

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

执行结果：

  1. ['a', 'b', 'c', 'd']

sub 方法

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])
其中，repl 可以是字符串也可以是一个函数：

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；

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）。

count 用于指定最多替换次数，不指定时全部替换。
看看例子：

  1. import re
  2. p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9_]
  3. s = 'hello 123, hello 456'
  5. print p.sub(r'hello world', s)  # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
  6. print p.sub(r'\2 \1', s)        # 引用分组
  8. def func(m):
  9.     return 'hi' + ' ' + m.group(2)
  11. print p.sub(func, s)
  12. print p.sub(func, s, 1)         # 最多替换一次

执行结果：

  1. hello world, hello world
  2. 123 hello, 456 hello
  3. hi 123, hi 456
  4. hi 123, hello 456

匹配中文

在某些情况下，我们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：

  1. import re
  3. title = u'你好，hello，世界'
  4. pattern = re.compile(ur'[\u4e00-\u9fa5]+')
  5. result = pattern.findall(title)
  7. 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:

  1. [u'\u4f60\u597d', u'\u4e16\u754c']

注意：贪婪模式与非贪婪模式

  1. 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 ( * )；
  2. 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 ( ? )；
  3. Python里数量词默认是贪婪的。

示例一 ： 源字符串：abbbc

  • 使用贪婪的数量词的正则表达式 ab* ，匹配结果： abbb。

    *决定了尽可能多匹配 b，所以a后面所有的 b 都出现了。

  • 使用非贪婪的数量词的正则表达式ab*?，匹配结果： a。

    即使前面有 *，但是 ? 决定了尽可能少匹配 b，所以没有 b。

示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc

  • 使用贪婪的数量词的正则表达式：<div>.*</div>

  • 匹配结果：<div>test1</div>bb<div>test2</div>

    这里采用的是贪婪模式。在匹配到第一个“”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个“”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为“<div>test1</div>bb<div>test2</div>”

  • 使用非贪婪的数量词的正则表达式：<div>.*?</div>

  • 匹配结果：<div>test1</div>

    正则表达式二采用的是非贪婪模式，在匹配到第一个“”时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为“<div>test1</div>”。

正则表达式测试网址

Copyright © 黑五电商学院 amzfriday.com all right reserved