爬虫——正则表达式re模块

为什么要学习正则表达式

实际上爬虫一共就四个主要步骤：

明确目标：需清楚目标网站
爬：将所有的目标网站的内容全部爬下来
取：在爬下来的网站内容中去掉对我们没有用处的数据，只留取我们需要的数据
处理数据：按照我们想要的方式存储和使用留取的数据

我们在前面的案例里实际上都省略了第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，其中大部分的东西是我们不关心的，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和者规则的匹配，最强大的就是正则表达式了。

那么什么是正则表达式：

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”）

正则表达式规则

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黑底，所以如果我们要使用原始字符串，只需要加一个r前缀：r'i love\t\.\tpython'

re模块的一般使用步骤如下：

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
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。
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：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'import re# 将正则表达式编译成Pattern对象
pattern = re.compile('\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匹配查找了。

Pattern对象的一些常用方法主要有：

match()方法：从起始位置开始查找，一次匹配
search()方法：从任何位置开始查找，一次匹配
findall()方法：全部匹配，返回列表
finditer()方法：全部匹配，返回迭代器
split()方法：分割字符串，返回列表
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(string)。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; span=(3, 5), match='12'>>>> print(m.group(0))   # 可省略 0
12
>>> print(m.start(0))   # 可省略 0
3
>>> print(m.end(0))     # 可省略 0
5
>>> print(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：

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)
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
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
span([group])方法返回(start(group), end(group))

再看一个例子：

>>> 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; span=(0, 11), match='Hello World'>>>> print(m.group(0))  # 返回匹配成功的整个子串
Hello World>>> print(m.span(0))   # 返回匹配成功的整个子串的索引
(0, 11)>>> print(m.group(1))  # 返回第一个分组匹配成功的子串
Hello>>> print(m.span(1))   # 返回第一个分组匹配成功的子串的索引
(0, 5)>>> print(m.group(2))  # 返回第二个分组匹配成功的子串
World>>> print(m.span(2))   # 返回第二个分组匹配成功的子串
(6, 11)>>> print(m.groups())  # 等价于 (m.group(1), m.group(2), ...)
('Hello', 'World')>>> print(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

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(string)。

当匹配成功时，返回一个Match对象，如果没有匹配上，则返回None。

如下例子：

>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four')
>>> print(m)
<_sre.SRE_Match object; span=(3, 5), match='12'>
>>> print(m.group())
12
>>> m = pattern.search('one12twothree34four', 10, 30)
>>> print(m)
<_sre.SRE_Match object; span=(13, 15), match='34'>
>>> print(m.group())
34
>>> print(m.span())
(13, 15)

再看一个例子：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'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，返回None
m = pattern.search('hello 123 456 789') # 若这里使用match()，返回Noneif m:print("matching string:", m.group())print("position:", m.span())

执行结果：

matching string: 123
position: (6, 9)

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(string)。

findall()以列表形式返回全部能匹配的子串，如果没有匹配成功，则返回一个空列表。

如下：

>>> import re
>>> pattern = re.compile(r'\d+')  # 匹配数字
>>> res1 = pattern.findall('hello 123 456 789')
>>> res2 = pattern.findall('one1two2three3four4', 0, 16)
>>> print(res1)
['123', '456', '789']
>>> print(res2)
['1', '2', '3']

再看一个例子：

>>> import re
>>> pattern = re.compile(r'\d+\.\d+')  # 匹配小数
>>> res = pattern.findall("3.1415926, 'big', 110, 95.5")
>>> print(res)
['3.1415926', '95.5']

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。

如下：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'import repattern = re.compile(r'\d+')res_iter1 = pattern.finditer("hello 123 456 789")
res_iter2 = pattern.finditer("one1two2three3four4", 0, 16)print(res_iter1)
print(res_iter2)print("res_iter1......")
for m1 in res_iter1:print("matching string:{}, position:{}".format(m1.group(), m1.span()))print("res_iter2......")
for m2 in res_iter2:print("matching string:{}, position:{}".format(m2.group(), m2.span()))

执行结果：

<callable_iterator object at 0x00ADF7F0>
<callable_iterator object at 0x00ADF230>
res_iter1......
matching string:123, position:(6, 9)
matching string:456, position:(10, 13)
matching string:789, position:(14, 17)
res_iter2......
matching string:1, position:(3, 4)
matching string:2, position:(7, 8)
matching string:3, position:(13, 14)

split()方法

spilt()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。

如下：

>>> import re
>>> pattern = re.compile(r'[\s\,\;]+')
>>> print(pattern.split('a,b;; c  d'))
['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，默认全部替换

如下：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'import repattern = re.compile(r'(\w+) (\w+)') # \w: [A-Za-z0-9]string = 'hello 123, hello 456'print(pattern.sub('hello world', string))
# 我是分割线
print("*" * 30)print(pattern.sub(r'\2 \1', string))# 我是分割线
print("*" * 30)def func(m):return 'hi ' + m.group(2)print(pattern.sub(func, string))# 我是分割线
print("*" * 30)# 最多替换一次
print(pattern.sub(func, string, 1))

执行结果：

hello world, hello world
******************************
123 hello, 456 hello
******************************
hi 123, hi 456
******************************
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，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。

例如：要想把字符串s = "您好，世界。hello world!"中的中文提取出来，可以这么做

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'import restring = "你好，世界。hello world!"pattern = re.compile(r"[\u4e00-\u9fa5]+")res = pattern.findall(string)print(res)

执行结果

['你好', '世界']

转载于:https://www.cnblogs.com/mayi0312/p/7206343.html

爬虫——正则表达式re模块相关推荐

python爬取音乐神器_Python爬虫提取神器，正则表达式(re模块)，全程干货！
python正则表达式(re模块) 什么是正则表达式正则表达式(Regular Expression)是一种文本模式,包括普通字符(例如,a到z之间的字母)和特殊字符(称为"元字符&quo ...
Python爬虫提取神器，正则表达式(re模块)，全程干货！
python正则表达式(re模块) 什么是正则表达式正则表达式(Regular Expression)是一种文本模式,包括普通字符(例如,a到z之间的字母)和特殊字符(称为"元字符&quo ...
Python中爬虫框架或模块的区别
Python中爬虫框架或模块的区别,我们在Python的学习过程中,需要不断的总结知识点,这样我们才能进步的更快一些. (1)爬虫框架或模块 Python自带爬虫模块:urllib.urllib2; ...
python 正则表达式re 模块的使用
python 正则表达式re 模块的使用文章目录: 一.re模块介绍 1.re模块说明 2.官方文档给出的文档 3.别人总结的成表格中的内容二.re模块使用介绍 1.常用函数源码 1.常用的函数介 ...
Python中爬虫框架或模块的区别！
Python中爬虫框架或模块的区别,我们在Python的学习过程中,需要不断的总结知识点,这样我们才能进步的更快一些. (1)爬虫框架或模块 Python自带爬虫模块:urllib.urllib2; ...
Python正则表达式-re模块奇技淫巧
文章目录正则表达式概念构成 re模块应用常用正则表达式数字字符其他小结正则表达式概念正则表达式作为计算机科学的一个概念,通常被用来检索.替换那些符合某个规则的文本.正则表达式是对 ...
Python爬虫进阶——urllib模块使用案例【淘宝】
Python爬虫基础--HTML.CSS.JavaScript.JQuery网页前端技术 Python爬虫基础--正则表达式 Python爬虫基础--re模块的提取.匹配和替换 Python爬虫基础- ...
【笔记】5、初学python3网络爬虫——正则表达式的基本使用
python3网络爬虫--正则表达式的基本使用学习指引:视频教程<python3网络爬虫实战> 为了避免学习后短时间内遗忘,让自己随时可以查阅前方自己学过的知识,特意注册csdn博客,方 ...
第三百二十五节，web爬虫，scrapy模块标签选择器下载图片，以及正则匹配标签...
第三百二十五节,web爬虫,scrapy模块标签选择器下载图片,以及正则匹配标签标签选择器对象 HtmlXPathSelector()创建标签选择器对象,参数接收response回调的html对象 ...

爬虫——正则表达式re模块

爬虫——正则表达式re模块相关推荐

最新文章

热门文章