爬蟲必須學會的正則表達式

爲何要學正則表達式

實際上爬蟲一共就四個主要步驟：

1.明確目標 (要知道你準備在哪一個範圍或者網站去搜索)
2.爬 (將全部的網站的內容所有爬下來)
3.取 (去掉對咱們沒用處的數據)
4.處理數據（按照咱們想要的方式存儲和使用）

由於咱們down下了的數據是所有的網頁，這些數據很龐大而且很混亂，大部分的東西使咱們不關心的，所以咱們須要將之按咱們的須要過濾和匹配出來。

那麼對於文本的過濾或者規則的匹配，最強大的就是正則表達式，是Python爬蟲世界裏必不可少的神兵利器。

什麼是正則表達式

正則表達式，又稱規則表達式，一般被用來檢索、替換那些符合某個模式(規則)的文本。

正則表達式是對字符串操做的一種邏輯公式，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「規則字符串」，這個「規則字符串」用來表達對字符串的一種過濾邏輯。

給定一個正則表達式和另外一個字符串，咱們能夠達到以下的目的：
給定的字符串是否符合正則表達式的過濾邏輯（「匹配」）；
經過正則表達式，從文本字符串中獲取咱們想要的特定部分（「過濾」）。

正則表達式匹配規則

Python 的 re 模塊
在 Python 中，咱們可使用內置的 re 模塊來使用正則表達式。
有一點須要特別注意的是，正則表達式使用 對特殊字符進行轉義，因此若是咱們要使用原始字符串，只需加一個 r 前綴，示例：

r'chuanzhiboket.tpython'

re 模塊的通常使用步驟以下：
1.使用 compile() 函數將正則表達式的字符串形式編譯爲一個 Pattern 對象

2.經過 Pattern 對象提供的一系列方法對文本進行匹配查找，得到匹配結果，一個 Match 對象。

3.最後使用 Match 對象提供的屬性和方法得到信息，根據須要進行其餘的操做

compile 函數

compile 函數用於編譯正則表達式，生成一個 Pattern 對象，它的通常使用形式以下：

import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r'd+')

在上面，咱們已將一個正則表達式編譯成 Pattern 對象，接下來，咱們就能夠利用 pattern 的一系列方法對文本進行匹配查找了。

Pattern 對象的一些經常使用方法主要有：
match 方法：從起始位置開始查找，一次匹配
search 方法：從任何位置開始查找，一次匹配
findall 方法：所有匹配，返回列表
finditer 方法：所有匹配，返回迭代器
split 方法：分割字符串，返回列表
sub 方法：替換

match 方法

match 方法用於查找字符串的頭部（也能夠指定起始位置），它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找全部匹配的結果。它的通常使用形式以下：

match(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。所以，當你不指定 pos 和 endpos 時，match 方法默認匹配字符串的頭部。

當匹配成功時，返回一個 Match 對象，若是沒有匹配上，則返回 None。

>>> import re
>>> pattern = re.compile(r'd+')  # 用於匹配至少一個數字

>>> m = pattern.match('one12twothree34four')  # 查找頭部，沒有匹配
>>> print m
None

>>> m = pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開始匹配，沒有匹配
>>> print m
None

>>> m = pattern.match('one12twothree34four', 3, 10) # 從'1'的位置開始匹配，正好匹配
>>> print m                                         # 返回一個 Match 對象
<_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，當匹配成功時返回一個 Match 對象，其中：

group([group1, …]) 方法用於得到一個或多個分組匹配的字符串，當要得到整個匹配的子串時，可直接使用 group() 或 group(0)；

start([group]) 方法用於獲取分組匹配的子串在整個字符串中的起始位置（子串第一個字符的索引），參數默認值爲 0；

end([group]) 方法用於獲取分組匹配的子串在整個字符串中的結束位置（子串最後一個字符的索引+1），參數默認值爲 0；
span([group]) 方法返回 (start(group), end(group))。

再看看一個例子：

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

>>> print m     # 匹配成功，返回一個 Match 對象
<_sre.SRE_Match object at 0x10bea83e8>

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

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

>>> m.group(1)  # 返回第一個分組匹配成功的子串
'Hello'

>>> m.span(1)   # 返回第一個分組匹配成功的子串的索引
(0, 5)

>>> m.group(2)  # 返回第二個分組匹配成功的子串
'World'

>>> m.span(2)   # 返回第二個分組匹配成功的子串
(6, 11)

>>> m.groups()  # 等價於 (m.group(1), m.group(2), ...)
('Hello', 'World')

>>> m.group(3)   # 不存在第三個分組
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: no such group

search 方法

search 方法用於查找字符串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查找全部匹配的結果，它的通常使用形式以下：

search(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。

當匹配成功時，返回一個 Match 對象，若是沒有匹配上，則返回 None。

讓咱們看看例子：

>>> import re
>>> pattern = re.compile('d+')
>>> m = pattern.search('one12twothree34four')  # 這裏若是使用 match 方法則不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串區間
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)

再來看一個例子：

# -*- coding: utf-8 -*-

import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r'd+')
# 使用 search() 查找匹配的子串，不存在匹配的子串時將返回 None
# 這裏使用 match() 沒法成功匹配
m = pattern.search('hello 123456 789')
if m:
    # 使用 Match 得到分組信息
    print 'matching string:',m.group()
    # 起始位置和結束位置
    print 'position:',m.span()

執行結果：

matching string: 123456
position: (6, 12)

findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一個匹配的結果就返回。然而，在大多數時候，咱們須要搜索整個字符串，得到全部匹配的結果。

findall 方法的使用形式以下：

findall(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。

findall 以列表形式返回所有能匹配的子串，若是沒有匹配，則返回一個空列表。

看看例子：

import re
pattern = re.compile(r'd+')   # 查找數字

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

print result1
print result2

執行結果：

['123456', '789']
['1', '2']

再先看一個栗子：

# re_test.py

import re

#re模塊提供一個方法叫compile模塊，提供咱們輸入一個匹配的規則
#而後返回一個pattern實例，咱們根據這個規則去匹配字符串
pattern = re.compile(r'd+.d*')

#經過partten.findall()方法就可以所有匹配到咱們獲得的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

#findall 以 列表形式 返回所有能匹配的子串給result
for item in result:
    print item

運行結果：

123.141593
3.15

finditer 方法

finditer 方法的行爲跟 findall 的行爲相似，也是搜索整個字符串，得到全部匹配的結果。但它返回一個順序訪問每個匹配結果（Match 對象）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 對象
    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())

執行結果：

<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)

split 方法

split 方法按照可以匹配的子串將字符串分割後返回列表，它的使用形式以下：

split(string[, maxsplit])

其中，maxsplit 用於指定最大分割次數，不指定將所有分割。

看看例子：

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

執行結果：

['a', 'b', 'c', 'd']

sub 方法

sub 方法用於替換。它的使用形式以下：

sub(repl, string[, count])

其中，repl 能夠是字符串也能夠是一個函數：

若是 repl 是字符串，則會使用 repl 去替換字符串每個匹配的子串，並返回替換後的字符串，另外，repl 還可使用 id 的形式來引用分組，但不能使用編號 0；

若是 repl 是函數，這個方法應當只接受一個參數（Match 對象），並返回一個字符串用於替換（返回的字符串中不能再引用分組）。

count 用於指定最多替換次數，不指定時所有替換。

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' 替換 'hello 123' 和 'hello 456'
print p.sub(r'2 1', s)        # 引用分組

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

print p.sub(func, s)
print p.sub(func, s, 1)         # 最多替換一次

執行結果：

hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456

匹配中文

在某些狀況下，咱們想匹配文本中的漢字，有一點須要注意的是，中文的 unicode 編碼範圍 主要在 [u4e00-u9fa5]，這裏說主要是由於這個範圍並不完整，好比沒有包括全角（中文）標點，不過，在大部分狀況下，應該是夠用的。

假設如今想把字符串 title = u'你好，hello，世界' 中的中文提取出來，能夠這麼作：

import re

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

print result

注意到，咱們在正則表達式前面加上了兩個前綴 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

執行結果:

[u'u4f60u597d', u'u4e16u754c']

注意：貪婪模式與非貪婪模式
貪婪模式：在整個表達式匹配成功的前提下，儘量多的匹配 ( * )；
非貪婪模式：在整個表達式匹配成功的前提下，儘量少的匹配 ( ? )；
Python裏數量詞默認是貪婪的。

示例一 ： 源字符串：abbbc
使用貪婪的數量詞的正則表達式 ab* ，匹配結果： abbb。
* 決定了儘量多匹配 b，因此a後面全部的 b 都出現了。

使用非貪婪的數量詞的正則表達式ab*?，匹配結果： a。
即便前面有 *，可是 ? 決定了儘量少匹配 b，因此沒有 b。

示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc
使用貪婪的數量詞的正則表達式：<div>.*</div>

匹配結果：<div>test1</div>bb<div>test2</div>

這裏採用的是貪婪模式。在匹配到第一個「</div>」時已經可使整個表達式匹配成功，可是因爲採用的是貪婪模式，因此仍然要向右嘗試匹配，查看是否還有更長的能夠成功匹配的子串。匹配到第二個「</div>」後，向右再沒有能夠成功匹配的子串，匹配結束，匹配結果爲
「<div>test1</div>bb<div>test2</div>」

使用非貪婪的數量詞的正則表達式：<div>.*?</div>

匹配結果：<div>test1</div>

正則表達式二採用的是非貪婪模式，在匹配到第一個「</div>」時使整個表達式匹配成功，因爲採用的是非貪婪模式，因此結束匹配，再也不向右嘗試，匹配結果爲「<div>test1</div>」。

做者：幸福清風 
原文：
https://blog.csdn.net/xun527/article/details/78406847

---

​

識別圖中二維碼,歡迎關注python寶典