在之前的文章中我们介绍了一下 requests 模块, 今天我们再来看一下 Python 爬虫中的正则表达的使用和 re 模块.
实际上爬虫一共就四个主要步骤:
明确目标 (要知道你准备在哪个范围或者网站去搜索)
爬 (将所有的网站的内容全部爬下来)
取 (去掉对我们没用处的数据)
处理数据(按照我们想要的方式存储和使用)
我们在之前写的爬虫程序中, 都只是获取到了页面的全部内容, 也就是只进行到了第 2 步, 但是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. 这时候我们就需要用到了正则表达式.
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").
正则表达式匹配规则
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 对特殊字符进行转义, 所以如果我们要使用原始字符串, 只需加一个 r 前缀, 如下:
r'python\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:
- import re
- # 将正则表达式编译成 Pattern 对象
- 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:
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 (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.
- import re
- pattern = re.compile(r'\d+') # 用于匹配至少一个数字
- str = 'abc123def456'
- p = pattern.match(str) # 查找头部, 没有匹配
- print(p) # None
- p = pattern.match(str, 2, 9) # 从'c'的位置开始匹配, 没有匹配
- print(p) # None
- p = pattern.match(str, 3, 9) # 从'4'的位置开始匹配, 正好匹配, 返回一个 Match 对象
- print(p) # <re.Match object; span=(3, 6), match='123'>
- p = p.group(0) # 可省略 0
- print(p) # 123
- p = p.start(0) # 可省略 0
- print(p) # 3
- p = p.end(0) # 可省略 0
- print(p) # 6
- p = p.span(0) # 可省略 0
- print(p) # (3, 6)
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)).
我们再来看一下具体用法:
- import re
- pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # 用于匹配至少一个字母, re.I 表示忽略大小写
- str = 'Hello world hello Python'
- p = pattern.match(str) # 查找头部, 匹配成功, 返回一个 Match 对象
- print(p) # <re.Match object; span=(0, 11), match='Hello world'>
- p = p.group(0) # 返回匹配成功的整个子串
- print(p) # Hello world
- p = p.group(1) # 返回第一个分组匹配成功的子串
- print(p) # Hello
- p = p.group(2) # 返回第二个分组匹配成功的子串
- print(p) # world
- p = p.group(3) # 不存在第三个分组
- print(p) # IndexError: no such group
- p = p.span(0) # 返回匹配成功的整个子串的索引
- print(p) # (0, 11)
- p = p.span(1) # 返回第一个分组匹配成功的子串的索引
- print(p) # (0, 5)
- p = p.span(2) # 返回第二个分组匹配成功的子串的索引
- print(p) # (6, 11)
- p = p.span(3) # 不存在第三个分组
- print(p) # IndexError: no such group
- p = p.start(0) # 返回匹配成功的整个子串的开始下标
- print(p) # 0
- p = p.end(0) # 返回匹配成功的整个子串的结束下标
- print(p) # 11
- p = p.start(1) # 返回第一个分组匹配成功的子串的开始下标
- print(p) # 0
- p = p.end(1) # 返回第一个分组匹配成功的子串的结束下标
- print(p) # 5
- p = p.start(2) # 返回第二个分组匹配成功的子串的开始下标
- print(p) # 6
- p = p.end(2) # 返回第二个分组匹配成功的子串的结束下标
- print(p) # 11
- p = p.start(3) # 返回第三个分组匹配成功的子串的开始下标
- print(p) # IndexError: no such group
- p = p.end(3) # 返回第三个分组匹配成功的子串的结束下标
- print(p) # IndexError: no such group
- p = p.groups() # 等价于 (m.group(1), m.group(2), ...)
- print(p) # ('Hello', 'world')
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.
- import re
- pattern = re.compile(r'\d+') # 用于匹配至少一个数字
- str = 'abc123def456'
- p = pattern.search(str) # 查找头部, 匹配成功, 返回一个 Match 对象
- print(p) # <re.Match object; span=(3, 6), match='123'>
- p = pattern.search(str, 1, 3) # 指定区间, 匹配失败, 返回一个 None
- print(p) # None
- p = pattern.search(str, 8, 10) # 指定区间, 匹配成功, 返回一个 Match 对象
- print(p) # <re.Match object; span=(9, 10), match='4'>
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.
- import re
- pattern = re.compile(r'\d+') # 用于匹配至少一个数字
- str = 'abc123def456'
- p = pattern.findall(str) # 返回一个列表对象
- print(p) # ['123', '456']
- p = pattern.findall(str, 1, 3) # 返回一个列表对象
- print(p) # []
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.
- import re
- pattern = re.compile(r'\d+') # 用于匹配至少一个数字
- str = 'abc123def456'
- p = pattern.finditer(str) # 返回一个 Match 对象
- print(p) # <callable_iterator object at 0x1054eb400>
- p = pattern.finditer(str, 1, 3) # 返回一个 Match 对象
- print(p) # <callable_iterator object at 0x10552e358>
在实际中我们很少应用 finditer 方法, 因为我们还需要对获取的 Match 对象进行进一步处理, 如循环, group() 等来获取直观数据.
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.
- import re
- pattern = re.compile(r'[\s\,\;]+') # 匹配至少一个空格和 ;
- str = 'a,b;; c d'
- p = pattern.split(str)
- print(p) # ['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.
- import re
- pattern = re.compile(r'(\w+) (\w+)', re.I) # \w = [A-Za-z0-9]
- str = 'Hello 123, hello 456'
- p = pattern.sub(r'hello World', str) # 使用'hello World' 替换'Hello 123' 和'hello 456'
- print(p) # hello World, hello World
- p = pattern.sub(r'hello World', str, 1) # 使用'hello World' 替换'Hello 123', 1 表示最多替换一次
- print(p) # hello World, hello 456
来源: https://www.cnblogs.com/weijiutao/p/10874003.html