芝麻HTTP： Python爬蟲入門之正則表達式

1.瞭解正則表達式

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。

正則表達式是用來匹配字符串很是強大的工具，在其餘編程語言中一樣有正則表達式的概念，Python一樣不例外，利用了正則表達式，咱們想要從返回的頁面內容提取出咱們想要的內容就易如反掌了。

正則表達式的大體匹配過程是：
1.依次拿出表達式和文本中的字符比較，
2.若是每個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。
3.若是表達式中有量詞或邊界，這個過程會稍微有一些不一樣。

2.正則表達式的語法規則

下面是Python中正則表達式的一些匹配規則，圖片資料來自CSDN

3.正則表達式相關注解

（1）數量詞的貪婪模式與非貪婪模式

正則表達式一般用於在文本中查找匹配的字符串。Python裏數量詞默認是貪婪的（在少數語言裏也多是默認非貪婪），老是嘗試匹配儘量多的字符；非貪婪的則相反，老是嘗試匹配儘量少的字符。例如：正則表達式」ab*」若是用於查找」abbbc」，將找到」abbb」。而若是使用非貪婪的數量詞」ab*?」，將找到」a」。

注：咱們通常使用非貪婪模式來提取。

（2）反斜槓問題

與大多數編程語言相同，正則表達式裏使用」\」做爲轉義字符，這就可能形成反斜槓困擾。假如你須要匹配文本中的字符」\」，那麼使用編程語言表示的正則表達式裏將須要4個反斜槓」\\\\」：前兩個和後兩個分別用於在編程語言裏轉義成反斜槓，轉換成兩個反斜槓後再在正則表達式裏轉義成一個反斜槓。

Python裏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使用r」\\」表示。一樣，匹配一個數字的」\\d」能夠寫成r」\d」。有了原生字符串，媽媽也不用擔憂是否是漏寫了反斜槓，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以下

#返回pattern對象
re.compile(string[,flag])  
#如下爲匹配所用函數
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])

在介紹這幾個方法以前，咱們先來介紹一下pattern的概念，pattern能夠理解爲一個匹配模式，那麼咱們怎麼得到這個匹配模式呢？很簡單，咱們須要利用re.compile方法就能夠。例如

pattern = re.compile(r'hello')

在參數中咱們傳入了原生字符串對象，經過compile方法編譯生成一個pattern對象，而後咱們利用這個對象來進行進一步的匹配。

另外你們可能注意到了另外一個參數 flags，在這裏解釋一下這個參數的含義：

參數flag是匹配模式，取值可使用按位或運算符’|’表示同時生效，好比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'$'的行爲（參見上圖）
 • re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行爲
 • re.L(全拼：LOCALE): 使預約字符類 \w \W \b \B \s \S 取決於當前區域設定
 • re.U(全拼：UNICODE): 使預約字符類 \w \W \b \B \s \S \d \D 取決於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能夠是多行，忽略空白字符，並能夠加入註釋。

在剛纔所說的另外幾個方法例如 re.match 裏咱們就須要用到這個pattern了，下面咱們一一介紹。

注：如下七個方法中的flags一樣是表明匹配模式的意思，若是在pattern生成時已經指明瞭flags，那麼在下面的方法中就不須要傳入這個參數了。

（1）re.match(pattern, string[, flags])

這個方法將會從string（咱們要匹配的字符串）的開頭開始，嘗試匹配pattern，一直向後匹配，若是遇到沒法匹配的字符，當即返回None，若是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，不然匹配pattern成功，同時匹配終止，再也不對string向後匹配。下面咱們經過一個例子理解一下

__author__ = 'CQC'
# -*- 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，得到匹配結果，沒法匹配時將返回None
result1 = re.match(pattern,'hello')
result2 = re.match(pattern,'helloo CQC!')
result3 = re.match(pattern,'helo CQC!')
result4 = re.match(pattern,'hello CQC!')
 
#若是1匹配成功
if result1:
    # 使用Match得到分組信息
    print result1.group()
else:
    print '1匹配失敗！'
 
 
#若是2匹配成功
if result2:
    # 使用Match得到分組信息
    print result2.group()
else:
    print '2匹配失敗！'
 
 
#若是3匹配成功
if result3:
    # 使用Match得到分組信息
    print result3.group()
else:
    print '3匹配失敗！'
 
#若是4匹配成功
if result4:
    # 使用Match得到分組信息
    print result4.group()
else:
    print '4匹配失敗！'

運行結果

hello
hello
3匹配失敗！
hello

匹配分析

1.第一個匹配，pattern正則表達式爲’hello’，咱們匹配的目標字符串string也爲hello，從頭到尾徹底匹配，匹配成功。

2.第二個匹配，string爲helloo CQC，從string頭開始匹配pattern徹底能夠匹配，pattern匹配結束，同時匹配終止，後面的o CQC再也不匹配，返回匹配成功的信息。

3.第三個匹配，string爲helo CQC，從string頭開始匹配pattern，發現到 ‘o’ 時沒法完成匹配，匹配終止，返回None

4.第四個匹配，同第二個匹配原理，即便遇到了空格符也不會受影響。

咱們還看到最後打印出了result.group()，這個是什麼意思呢？下面咱們說一下關於match對象的的屬性和方法
Match對象是一次匹配的結果，包含了不少關於這次匹配的信息，可使用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()方法的同名參數相同。
5.lastindex: 最後一個被捕獲的分組在文本中的索引。若是沒有被捕獲的分組，將爲None。
6.lastgroup: 最後一個被捕獲的分組的別名。若是這個分組沒有別名或者沒有被捕獲的分組，將爲None。

方法：
1.group([group1, …]):
得到一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可使用編號也可使用別名；編號0表明整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了屢次的組返回最後一次截獲的子串。
2.groups([default]):
以元組形式返回所有分組截獲的字符串。至關於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認爲None。
3.groupdict([default]):
返回以有別名的組的別名爲鍵、以該組截獲的子串爲值的字典，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默認值爲0。
5.end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最後一個字符的索引+1）。group默認值爲0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
將匹配到的分組代入template中而後返回。template中可使用\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將被認爲是第10個分組，若是你想表達\1以後是字符’0’，只能使用\g0。

下面咱們用一個例子來體會一下

# -*- coding: utf-8 -*-
#一個簡單的match實例
 
import re
# 匹配以下內容：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方法極其相似，區別在於match()函數只檢測re是否是在string的開始位置匹配，search()會掃描整個string查找匹配，match（）只有在0位置匹配成功的話纔有返回，若是不是開始位置匹配成功的話，match()就返回None。一樣，search方法的返回對象一樣match()返回對象的方法和屬性。咱們用一個例子感覺一下

#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()沒法成功匹配
match = re.search(pattern,'hello world!')
if match:
    # 使用Match得到分組信息
    print match.group()
### 輸出 ###
# world

（3）re.split(pattern, string[, maxsplit])

按照可以匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將所有分割。咱們經過下面的例子感覺一下。

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，以列表形式返回所有能匹配的子串。咱們經過這個例子來感覺一下

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個匹配結果（Match對象）的迭代器。咱們經過下面的例子來感覺一下

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中每個匹配的子串後返回替換後的字符串。
當repl是一個字符串時，可使用\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（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。

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)。

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模塊的另外一種使用方式

在上面咱們介紹了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，其實還有另一種調用方式，能夠經過pattern.match，pattern.search調用，這樣調用便不用將pattern做爲第一個參數傳入了，你們想怎樣調用皆可。

函數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])

具體的調用方法沒必要詳說了，原理都相似，只是參數的變化不一樣。