零基础写python爬虫之神器正则表达式

接下来准备用糗百做一个爬虫的小例子。
但是在这之前,先详细的整理一下python中的正则表达式的相关内容。
正则表达式在python爬虫中的作用就像是老师点名时用的花名册一样,是必不可少的神兵利器。

一、 正则表达式基础
1.1.概念介绍

正则表达式是用于处理字符串的强大工具,它并不是python的一部分。
其他编程语言中也有正则表达式的概念,区别只在于不同的编程语言实现支持的语法数量不同。
它拥有自己独特的语法以及一个独立的处理引擎,在提供了正则表达式的语言里,正则表达式的语法都是一样的。
下图展示了使用正则表达式进行匹配的流程:

正则表达式的大致匹配过程是:
1.依次拿出表达式和文本中的字符比较,
2.如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。
3.如果表达式中有量词或边界,这个过程会稍微有一些不同。

下图列出了python支持的正则表达式元字符和语法:

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。
贪婪模式,总是尝试匹配尽可能多的字符;
非贪婪模式则相反,总是尝试匹配尽可能少的字符。
python里数量词默认是贪婪的。
例如:正则表达式”ab*”如果用于查找”abbbc”,将找到”abbb”。
而如果使用非贪婪的数量词”ab*?”,将找到”a”。

1.3. 反斜杠的问题

与大多数编程语言相同,正则表达式里使用”\”作为转义字符,这就可能造成反斜杠困扰。
假如你需要匹配文本中的字符”\”,那么使用编程语言表示的正则表达式里将需要4个反斜杠”\\\\”:
第一个和第三个用于在编程语言里将第二个和第四个转义成反斜杠,
转换成两个反斜杠\\后再在正则表达式里转义成一个反斜杠用来匹配反斜杠\。
这样显然是非常麻烦的。
python里的原生字符串很好地解决了这个问题,这个例子中的正则表达式可以使用r”\\”表示。
同样,匹配一个数字的”\\d”可以写成r”\d”。
有了原生字符串,妈妈再也不用担心我的反斜杠问题~

二、 介绍re模块

2.1. compile

python通过re模块提供对正则表达式的支持。
使用re的一般步骤是:
step1:先将正则表达式的字符串形式编译为pattern实例。
step2:然后使用pattern实例处理文本并获得匹配结果(一个match实例)。
step3:最后使用match实例获得信息,进行其他的操作。
我们新建一个re01.py来试验一下re的应用:

代码如下:

# -*- coding: utf-8 -*-
#一个简单的re实例,匹配字符串中的hello字符串
#导入re模块
import re
# 将正则表达式编译成pattern对象,注意hello前面的r的意思是“原生字符串”
pattern = re.compile(r’hello’)
# 使用pattern匹配文本,获得匹配结果,无法匹配时将返回none
match1 = pattern.match(‘hello world!’)
match2 = pattern.match(‘helloo world!’)
match3 = pattern.match(‘helllo world!’)
#如果match1匹配成功
if match1:
# 使用match获得分组信息
print match1.group()
else:
print ‘match1匹配失败!’
#如果match2匹配成功
if match2:
# 使用match获得分组信息
print match2.group()
else:
print ‘match2匹配失败!’
#如果match3匹配成功
if match3:
# 使用match获得分组信息
print match3.group()
else:
print ‘match3匹配失败!’

可以看到控制台输出了匹配的三个结果:

下面来具体看看代码中的关键方法。
★ re.compile(strpattern[, flag]):
这个方法是pattern类的工厂方法,用于将字符串形式的正则表达式编译为pattern对象。
第二个参数flag是匹配模式,取值可以使用按位或运算符’|’表示同时生效,比如re.i | re.m。
另外,你也可以在regex字符串中指定模式,
比如re.compile(‘pattern’, re.i | re.m)与re.compile(‘(?im)pattern’)是等价的。
可选值有:
re.i(全拼:ignorecase): 忽略大小写(括号内是完整写法,下同)
re.m(全拼:multiline): 多行模式,改变’^’和’$’的行为(参见上图)
re.s(全拼:dotall): 点任意匹配模式,改变’.’的行为
re.l(全拼:locale): 使预定字符类 \w \w \b \b \s \s 取决于当前区域设定
re.u(全拼:unicode): 使预定字符类 \w \w \b \b \s \s \d \d 取决于unicode定义的字符属性
re.x(全拼:verbose): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。

以下两个正则表达式是等价的:

代码如下:

# -*- coding: utf-8 -*-
#两个等价的re匹配,匹配一个小数
import re
a = re.compile(r”””\d + # the integral part
\. # the decimal point
\d * # some fractional digits”””, re.x)
b = re.compile(r”\d+\.\d*”)
match11 = a.match(‘3.1415′)
match12 = a.match(’33’)
match21 = b.match(‘3.1415′)
match22 = b.match(’33’)
if match11:
# 使用match获得分组信息
print match11.group()
else:
print u’match11不是小数’
if match12:
# 使用match获得分组信息
print match12.group()
else:
print u’match12不是小数’
if match21:
# 使用match获得分组信息
print match21.group()
else:
print u’match21不是小数’
if match22:
# 使用match获得分组信息
print match22.group()
else:
print u’match22不是小数’

re提供了众多模块方法用于完成正则表达式的功能。
这些方法可以使用pattern实例的相应方法替代,唯一的好处是少写一行re.compile()代码,
但同时也无法复用编译后的pattern对象。
这些方法将在pattern类的实例方法部分一起介绍。
如一开始的hello实例可以简写为:

代码如下:

# -*- coding: utf-8 -*-
#一个简单的re实例,匹配字符串中的hello字符串
import re

m = re.match(r’hello’, ‘hello world!’)
print m.group()

re模块还提供了一个方法escape(string),用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回

2.2. match

match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用match提供的可读属性或方法来获取这些信息。
属性:
string: 匹配时使用的文本。
re: 匹配时使用的pattern对象。
pos: 文本中正则表达式开始搜索的索引。值与pattern.match()和pattern.seach()方法的同名参数相同。
endpos: 文本中正则表达式结束搜索的索引。值与pattern.match()和pattern.seach()方法的同名参数相同。
lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为none。
lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为none。
方法:
group([group1, …]):
获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回none;截获了多次的组返回最后一次截获的子串。
groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为none。
groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。
start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。
end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。
span([group]):
返回(start(group), end(group))。
expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组,但不能使用编号0。\id与\g是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符’0’,只能使用\g0。
下面来用一个py实例输出所有的内容加深理解:

代码如下:

# -*- coding: utf-8 -*-
#一个简单的match实例

import re
# 匹配如下内容:单词+空格+单词+任意字符
m = re.match(r'(\w+) (\w+)(?p.*)’, ‘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!

2.3. pattern
pattern对象是一个编译好的正则表达式,通过pattern提供的一系列方法可以对文本进行匹配查找。
pattern不能直接实例化,必须使用re.compile()进行构造,也就是re.compile()返回的对象。
pattern提供了几个可读属性用于获取表达式的相关信息:
pattern: 编译时用的表达式字符串。
flags: 编译时用的匹配模式。数字形式。
groups: 表达式中分组的数量。
groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典,没有别名的组不包含在内。
可以用下面这个例子查看pattern的属性:

代码如下:

# -*- coding: utf-8 -*-
#一个简单的pattern实例

import re
p = re.compile(r'(\w+) (\w+)(?p.*)’, re.dotall)

print “p.pattern:”, p.pattern
print “p.flags:”, p.flags
print “p.groups:”, p.groups
print “p.groupindex:”, p.groupindex

### output ###
# p.pattern: (\w+) (\w+)(?p.*)
# p.flags: 16
# p.groups: 3
# p.groupindex: {‘sign’: 3}

下面重点介绍一下pattern的实例方法及其使用。

1.match

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从string的pos下标处起尝试匹配pattern;
如果pattern结束时仍可匹配,则返回一个match对象;
如果匹配过程中pattern无法匹配,或者匹配未结束就已到达endpos,则返回none。
pos和endpos的默认值分别为0和len(string);
re.match()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
注意:这个方法并不是完全匹配。
当pattern结束时若string还有剩余字符,仍然视为成功。
想要完全匹配,可以在表达式末尾加上边界匹配符’$’。
下面来看一个match的简单案例:

代码如下:

# encoding: utf-8
import re

# 将正则表达式编译成pattern对象
pattern = re.compile(r’hello’)

# 使用pattern匹配文本,获得匹配结果,无法匹配时将返回none
match = pattern.match(‘hello world!’)

if match:
# 使用match获得分组信息
print match.group()

### 输出 ###
# hello

2.search

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。
从string的pos下标处起尝试匹配pattern,
如果pattern结束时仍可匹配,则返回一个match对象;
若无法匹配,则将pos加1后重新尝试匹配;
直到pos=endpos时仍无法匹配则返回none。
pos和endpos的默认值分别为0和len(string));
re.search()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
那么它和match有什么区别呢?
match()函数只检测re是不是在string的开始位置匹配,
search()会扫描整个string查找匹配,

match()只有在0位置匹配成功的话才有返回,如果不是开始位置匹配成功的话,match()就返回none
例如:
print(re.match(‘super’, ‘superstition’).span())
会返回(0, 5)
print(re.match(‘super’, ‘insuperable’))
则返回none

search()会扫描整个字符串并返回第一个成功的匹配
例如:
print(re.search(‘super’, ‘superstition’).span())
返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())
返回(2, 7)
看一个search的实例:

代码如下:

# -*- coding: utf-8 -*-
#一个简单的search实例

import re

# 将正则表达式编译成pattern对象
pattern = re.compile(r’world’)

# 使用search()查找匹配的子串,不存在能匹配的子串时将返回none
# 这个例子中使用match()无法成功匹配
match = pattern.search(‘hello world!’)

if match:
# 使用match获得分组信息
print match.group()

### 输出 ###
# world

3.split
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。
maxsplit用于指定最大分割次数,不指定将全部分割。

代码如下:

import re

p = re.compile(r’\d+’)
print p.split(‘one1two2three3four4’)

### output ###
# [‘one’, ‘two’, ‘three’, ‘four’, ”]

4.findall
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string,以列表形式返回全部能匹配的子串。

代码如下:

import re

p = re.compile(r’\d+’)
print p.findall(‘one1two2three3four4’)

### output ###
# [‘1’, ‘2’, ‘3’, ‘4’]

5.finditer
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string,返回一个顺序访问每一个匹配结果(match对象)的迭代器。

代码如下:

import re

p = re.compile(r’\d+’)
for m in p.finditer(‘one1two2three3four4’):
print m.group(),

### output ###
# 1 2 3 4

6.sub

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时,可以使用\id或\g、\g引用分组,但不能使用编号0。
当repl是一个方法时,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。

代码如下:

import re

p = re.compile(r'(\w+) (\w+)’)
s = ‘i say, hello world!’

print p.sub(r’\2 \1′, s)

def func(m):
return m.group(1).title() + ‘ ‘ + m.group(2).title()

print p.sub(func, s)

### output ###
# say i, world hello!
# i say, hello world!

7.subn
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。

代码如下:

import re

p = re.compile(r'(\w+) (\w+)’)
s = ‘i say, hello world!’

print p.subn(r’\2 \1′, s)

def func(m):
return m.group(1).title() + ‘ ‘ + m.group(2).title()

print p.subn(func, s)

### output ###
# (‘say i, world hello!’, 2)
# (‘i say, hello world!’, 2)

以上就是python神器正则表达式的基本介绍了,非常简单实用吧,希望对大家有所帮助^_^

Posted in 未分类