美文网首页我爱编程
python中爬虫常用到的正规表达式

python中爬虫常用到的正规表达式

作者: 千锋Python讲师 | 来源:发表于2018-06-21 20:27 被阅读0次

    正则表达式与爬虫:

      爬虫四个主要步骤:

      • 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)

      那么在文本过滤这块最强大的就是正则表达式,更是python爬虫世界必不可少利器。

      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:

      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

      >>> m = pattern.match(' okk12hellohai34fine') # 查找头部,没有匹配

      >>> print m

      None

      >>> m = pattern.match(' okk12hellohai34fine ', 2, 10) #

    从'k'的位置开始匹配,没有匹配

      >>> print m

      None

      >>> m = pattern.match(' okk12hellohai34fine ', 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 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,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 Wife Web')

      >>> print m # 匹配成功,返回一个 Match 对象

      <_sre.SRE_Match object at 0x10bea83e8>

      >>> m.group(0) # 返回匹配成功的整个子串

      'Hello World'

      >>> m.span(0) # 返回匹配成功的整个子串的索引

      (0, 11)

      >>> m.group(1) # 返回第一个分组匹配成功的子串

      'Hello'

      >>> m.span(1) # 返回第一个分组匹配成功的子串的索引

      (0, 5)

      >>> m.group(2) # 返回第二个分组匹配成功的子串

      'World'

      >>> m.span(2) # 返回第二个分组匹配成功的子串

      (6, 11)

      >>> m.groups() # 等价于 (m.group(1), m.group(2), ...)

      ('Hello', 'World')

      >>> m.group(3) # 不存在第三个分组

      Traceback (most recent call last):

    File "", line 1, in

      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

    (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。

      让我们看看例子:

      >>> import re

      >>> pattern = re.compile('\d+')

      >>> m = pattern.search(' okk12hellohai34fine ') # 这里如果使用 match

    方法则不匹配

      >>> m

      <_sre.SRE_Match object at 0x10cc03ac0>

      >>> m.group()

      '12'

      >>> m = pattern.search(' okk12hellohai34fine ', 10, 30) #

    指定字符串区间

      >>> m

      <_sre.SRE_Match object at 0x10cc03b28>

      >>> m.group()

      '34'

      >>> m.span()

      (13, 15)

      再来看一个例子:

      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将返回 None

      # 这里使用 match() 无法成功匹配

      m = pattern.search('hello 123456 789')

      if m:

      # 使用 Match 获得分组信息

      print 'matching string:',m.group()

      # 起始位置和结束位置

      print 'position:',m.span()

      执行结果:

      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。

      看看例子:

      import re

      pattern = re.compile(r'\d+') # 查找数字

      result1 = pattern.findall('hello 123456 789')

      result2 = pattern.findall('one1two2three3four4', 0, 10)

      print result1

      print result2

      执行结果:

      ['123456', '789']

      ['1', '2']

      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。

      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。

      看看例子:

      import re

      p = re.compile(r'[\s\,\;]+')

      print p.split('a,b;; c d')

      执行结果:

      ['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。

      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' 替换 'hello 123' 和 'hello

    456'

      print p.sub(r'\2 \1', s) # 引用分组

      def func(m):

      return 'hi' + ' ' + m.group(2)

      print p.sub(func, s)

      print p.sub(func, s, 1) # 最多替换一次

      执行结果:

      hello world, hello world

      123 hello, 456 hello

      hi 123, hi 456

      hi 123, hello 456

    相关文章

      网友评论

        本文标题:python中爬虫常用到的正规表达式

        本文链接:https://www.haomeiwen.com/subject/ncgcyftx.html