玩轉python爬蟲之正則表達式

這篇文章主要介紹了python爬蟲的正則表達式，正則表達式在Python爬蟲是必不可少的神兵利器，本文整理了Python中的正則表達式的相關內容，感興趣的小伙伴們可以參考一下

面對大量雜亂的代碼夾雜文字我們怎樣把它提取出來整理呢？下面就開始介紹一個十分強大的工具，正則表達式！

1.了解正則表達式

正則表達式是對字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個“規(guī)則字符串”，這個“規(guī)則字符串”用來表達對字符串的一種過濾邏輯。

正則表達式是用來匹配字符串非常強大的工具，在其他編程語言中同樣有正則表達式的概念，Python同樣不例外，利用了正則表達式，我們想要從返回的頁面內容提取出我們想要的內容就易如反掌了。

正則表達式的大致匹配過程是：

依次拿出表達式和文本中的字符比較，

如果每一個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。

如果表達式中有量詞或邊界，這個過程會稍微有一些不同。

2.正則表達式的語法規(guī)則

下面是Python中正則表達式的一些匹配規(guī)則，圖片資料來自CSDN

3.正則表達式相關注解

（1）數(shù)量詞的貪婪模式與非貪婪模式
正則表達式通常用于在文本中查找匹配的字符串。Python里數(shù)量詞默認是貪婪的（在少數(shù)語言里也可能是默認非貪婪），總是嘗試匹配盡可能多的字符；非貪婪的則相反，總是嘗試匹配盡可能少的字符。例如：正則表達式”ab*”如果用于查找”abbbc”，將找到”abbb”。而如果使用非貪婪的數(shù)量詞”ab*?”，將找到”a”。

注：我們一般使用非貪婪模式來提取。

（2）反斜杠問題
與大多數(shù)編程語言相同，正則表達式里使用”\”作為轉義字符，這就可能造成反斜杠困擾。假如你需要匹配文本中的字符”\”，那么使用編程語言表示的正則表達式里將需要4個反斜杠”\\\\”：前兩個和后兩個分別用于在編程語言里轉義成反斜杠，轉換成兩個反斜杠后再在正則表達式里轉義成一個反斜杠。

Python里的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用r”\\”表示。同樣，匹配一個數(shù)字的”\\d”可以寫成r”\d”。有了原生字符串，媽媽也不用擔心是不是漏寫了反斜杠，寫出來的表達式也更直觀勒。

4.Python Re模塊

Python 自帶了re模塊，它提供了對正則表達式的支持。主要用到的方法列舉如下    
#返回pattern對象
re.compile(string[,flag])
#以下為匹配所用函數(shù)
re.match(pattern, string[, flags])
re.search(pattern, string[, flags])
re.split(pattern, string[, maxsplit])
re.findall(pattern, string[, flags])
re.finditer(pattern, string[, flags])
re.sub(pattern, repl, string[, count])
re.subn(pattern, repl, string[, count])

在介紹這幾個方法之前，我們先來介紹一下pattern的概念，pattern可以理解為一個匹配模式，那么我們怎么獲得這個匹配模式呢？很簡單，我們需要利用re.compile方法就可以。例如    
pattern = re.compile(r'hello')

在參數(shù)中我們傳入了原生字符串對象，通過compile方法編譯生成一個pattern對象，然后我們利用這個對象來進行進一步的匹配。

另外大家可能注意到了另一個參數(shù) flags，在這里解釋一下這個參數(shù)的含義：

參數(shù)flag是匹配模式，取值可以使用按位或運算符'|'表示同時生效，比如re.I | re.M。

可選值有：

 ? re.I(全拼：IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
 ? re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
 ? re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行為
 ? re.L(全拼：LOCALE): 使預定字符類 \w \W \b \B \s \S 取決于當前區(qū)域設定
 ? re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性
 ? re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。

在剛才所說的另外幾個方法例如 re.match 里我們就需要用到這個pattern了，下面我們一一介紹。

注：以下七個方法中的flags同樣是代表匹配模式的意思，如果在pattern生成時已經指明了flags，那么在下面的方法中就不需要傳入這個參數(shù)了。
（1）re.match(pattern, string[, flags])
這個方法將會從string（我們要匹配的字符串）的開頭開始，嘗試匹配pattern，一直向后匹配，如果遇到無法匹配的字符，立即返回None，如果匹配未結束已經到達string的末尾，也會返回None。兩個結果均表示匹配失敗，否則匹配pattern成功，同時匹配終止，不再對string向后匹配。下面我們通過一個例子理解一下    
# -*- coding: utf-8 -*-
 
#導入re模塊
import re
 
# 將正則表達式編譯成Pattern對象，注意hello前面的r的意思是“原生字符串”
pattern = re.compile(r'hello')
 
# 使用re.match匹配文本，獲得匹配結果，無法匹配時將返回None
result1 = re.match(pattern,'hello')
result2 = re.match(pattern,'helloo CQC!')
result3 = re.match(pattern,'helo CQC!')
result4 = re.match(pattern,'hello CQC!')
 
#如果1匹配成功
if result1:
  # 使用Match獲得分組信息
  print result1.group()
else:
  print '1匹配失敗！'
 
 
#如果2匹配成功
if result2:
  # 使用Match獲得分組信息
  print result2.group()
else:
  print '2匹配失??！'
 
 
#如果3匹配成功
if result3:
  # 使用Match獲得分組信息
  print result3.group()
else:
  print '3匹配失?。?
 
#如果4匹配成功
if result4:
  # 使用Match獲得分組信息
  print result4.group()
else:
  print '4匹配失??！'

運行結果    
hello
hello
3匹配失?。?br /> hello

匹配分析

1.第一個匹配，pattern正則表達式為'hello'，我們匹配的目標字符串string也為hello，從頭至尾完全匹配，匹配成功。

2.第二個匹配，string為helloo CQC，從string頭開始匹配pattern完全可以匹配，pattern匹配結束，同時匹配終止，后面的o CQC不再匹配，返回匹配成功的信息。

3.第三個匹配，string為helo CQC，從string頭開始匹配pattern，發(fā)現(xiàn)到 ‘o' 時無法完成匹配，匹配終止，返回None

4.第四個匹配，同第二個匹配原理，即使遇到了空格符也不會受影響。

我們還看到最后打印出了result.group()，這個是什么意思呢？下面我們說一下關于match對象的的屬性和方法
Match對象是一次匹配的結果，包含了很多關于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：
1.string: 匹配時使用的文本。
2.re: 匹配時使用的Pattern對象。
3.pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。
4.endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。
5.lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
6.lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。
方法：
1.group([group1, …]):
獲得一個或多個分組截獲的字符串；指定多個參數(shù)時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數(shù)時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
2.groups([default]):
以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。
3.groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
4.start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。
5.end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
將匹配到的分組代入template中然后返回。template中可以使用\id或\g、\g引用分組，但不能使用編號0。\id與\g是等價的；但\10將被認為是第10個分組，如果你想表達\1之后是字符'0'，只能使用\g0。
下面我們用一個例子來體會一下    
# -*- coding: utf-8 -*-
#一個簡單的match實例
 
import re
# 匹配如下內容：單詞+空格+單詞+任意字符
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
 
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
print "m.group():", m.group()
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'\g \g\g'):", m.expand(r'\2 \1\3')
 
### output ###
# m.string: hello world!
# m.re:
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): ('hello', 'world')
# m.groups(): ('hello', 'world', '!')
# m.groupdict(): {'sign': '!'}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r'\2 \1\3'): world hello!

（2）re.search(pattern, string[, flags])
search方法與match方法極其類似，區(qū)別在于match()函數(shù)只檢測re是不是在string的開始位置匹配，search()會掃描整個string查找匹配，match（）只有在0位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match()就返回None。同樣，search方法的返回對象同樣match()返回對象的方法和屬性。我們用一個例子感受一下    
#導入re模塊
import re
 
# 將正則表達式編譯成Pattern對象
pattern = re.compile(r'world')
# 使用search()查找匹配的子串，不存在能匹配的子串時將返回None
# 這個例子中使用match()無法成功匹配
match = re.search(pattern,'hello world!')
if match:
  # 使用Match獲得分組信息
  print match.group()
### 輸出 ###
# world

 （3）re.split(pattern, string[, maxsplit])
按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數(shù)，不指定將全部分割。我們通過下面的例子感受一下。    
import re
 
pattern = re.compile(r'\d+')
print re.split(pattern,'one1two2three3four4')
 
### 輸出 ###
# ['one', 'two', 'three', 'four', '']

（4）re.findall(pattern, string[, flags])
搜索string，以列表形式返回全部能匹配的子串。我們通過這個例子來感受一下    
import re
 
pattern = re.compile(r'\d+')
print re.findall(pattern,'one1two2three3four4')
 
### 輸出 ###
# ['1', '2', '3', '4']

（5）re.finditer(pattern, string[, flags])
搜索string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。我們通過下面的例子來感受一下    
import re
 
pattern = re.compile(r'\d+')
for m in re.finditer(pattern,'one1two2three3four4'):
  print m.group(),
 
### 輸出 ###
# 1 2 3 4

（6）re.sub(pattern, repl, string[, count])
使用repl替換string中每一個匹配的子串后返回替換后的字符串。
當repl是一個字符串時，可以使用\id或\g、\g引用分組，但不能使用編號0。
當repl是一個方法時，這個方法應當只接受一個參數(shù)（Match對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。
count用于指定最多替換次數(shù)，不指定時全部替換。    
import re
 
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
 
print re.sub(pattern,r'\2 \1', s)
 
def func(m):
  return m.group(1).title() + ' ' + m.group(2).title()
 
print re.sub(pattern,func, s)
 
### output ###
# say i, world hello!
# I Say, Hello World!

（7）re.subn(pattern, repl, string[, count])
返回 (sub(repl, string[, count]), 替換次數(shù))。    
import re
 
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
 
print re.subn(pattern,r'\2 \1', s)
 
def func(m):
  return m.group(1).title() + ' ' + m.group(2).title()
 
print re.subn(pattern,func, s)
 
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

5.Python Re模塊的另一種使用方式

在上面我們介紹了7個工具方法，例如match，search等等，不過調用方式都是 re.match，re.search的方式，其實還有另外一種調用方式，可以通過pattern.match，pattern.search調用，這樣調用便不用將pattern作為第一個參數(shù)傳入了，大家想怎樣調用皆可。

函數(shù)API列表    
match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count])
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count])
具體的調用方法不必詳說了，原理都類似，只是參數(shù)的變化不同。小伙伴們嘗試一下吧~
小伙伴們加油，即使這一節(jié)看得云里霧里的也沒關系，接下來我們會通過一些實戰(zhàn)例子來幫助大家熟練掌握正則表達式的。