Python爬虫(十)_正则表达式

本篇将介绍python正则表达式，更多内容请参考：【python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些过滤逻辑。
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到我们想要的特定部分（“过滤”）

  
  正则表达式过程

正则表达式匹配规则

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，只需要一个r前缀，示例：

r'chuanzhiboke\t\.\tpython'

re模块的一般使用步骤如下：

1. 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
2. 通过Pattern对象提供的一系列方法将文本进行匹配查找，获得匹配结果(一个Match对象)
3. 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对象

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

#将正则表达式编译为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对象：从起始位置开始查找，一次匹配。
• search对象：从任何位置开始查找，一次匹配。
• findall()对象：全部匹配，返回列表。
• finditer()对象：全部匹配，返回迭代器。
• spilt()对象：分割字符串，返回列表
• sub()对象：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('one12twothree34four')  #查找头部，没有匹配
>>>print(m) #如果没有匹配上，就什么也不输出

>>>m = pattern.match('one12twothree34four', 2, 10) #从'e'的位置开始匹配，没有匹配到
>>>print(m)
>>>m = pattern.match('one12twothree34four', 3, 10) #从'1' 的位置开始匹配，正好匹配上
>>>print(m)
<_sre.SRE_Match object at 0x10a42aac0>
>>>m.group(0)   #可忽略0
'12'
>>>m.start(0)   #可忽略0
3
>>>m.end(0)    #可忽略0
5
>>>m.span(0)  #可忽略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，当要获得整个匹配字符串的子串时，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）,参数默认值是0
• span([group])方法返回(start[group], end(group))

>>>import re
>>>pattern = re.compile(r'([a-z]+) （[a-z]+)', 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 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
(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
(0, 5)

>>>m.group(2)   #返回第2个分组匹配成功的子串
'World'

>>>m.span(2)     #返回第2个分组匹配成功的子串的位置
(6, 11)

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

>>>m.group(3)   #不存在第3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(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('one12twothree34four')  #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('one12twothree34four', 10, 30)   #指定字符串区间  
>>>m
<_sre.SRE_Match object at 0x10cc03b28>
>>>m.group()
'34'
>>>m.span()
(13, 15)

在看一个例子：

# coding:utf-8
import re
#将正则表达式编译成Pattern对象
pattern = re.compile(r'\d+')
#使用search()方法查找匹配的字符串，不存在匹配的子串时将不返回
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分别是0和len(字符串长度)。
findall是以列表形式返回全部能匹配到的子串，如果没有匹配，则返回一个空列表。

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(2)

执行结果如下：

['123456', '789']
['1', '2']

再来看一个例子：

import re
#re模块提供一个方法叫compile提供，提供我们输入一个匹配的规则
#然后返回一个pattern实例，我们根据这个规则去匹配字符串
pattern = re.compile(r'd+\.\d*')

#通过pattern.findall()方法能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

#findall以列表形式 返回全部能匹配到的子串给result
for item in result:
    print(item)

运行结果：

123.141593
3.15

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。

#coding:utf-8
import re

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

result1 = pattern.finditer('hello 123456 789')
result2 = pattern.finditer('one1two2three3four4', 0, 10)
print(result1)
print(result2)
print('result1....')
for m1 in result1:
    print("matching string:{} position:{}".format(m1.group(), m1.span()))

print('result2....')
for m2 in result2:
    print("matching string:{} position:{}".format(m2.group(), m2.span()))

执行结果：

<type 'callable-iterator'>
<type 'callable-iterator'>
result1.
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)

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用于指导最大分割次数，不知道静全部分割。
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，repl还可以使用id的形式来引用过分组，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用于指导最多替换次数，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))

def func(m):
    return 'hi' + ' ' + m.group(2)

print(p.sub(func, s))
print(p.sub(func, s, 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，我们想要匹配文本中的汉字，有一点需要注意的是，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。
假设现在想把字符串title=u'你好，hello，世界'中的中文提取出来，可以这么做：

import re
title = u'你好，hello，世界'
pattern = re.compile(u'[\u4e00-\u9fa5]+')
result = pattern.findall(title)

print(result)

注意到，我们在正则表达式前面加上了前缀u，u表示unicode字符串。
执行结果：

['你好', '世界']

注意：贪婪模式与非贪婪模式

1. 贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配(*);
2. 非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配(?);
3. Python里数量词默认是贪婪的。

实例一：源字符串：abbbc

• 使用贪婪的数量词的正则表达式ab+,匹配结果：abbb。

*决定了尽可能多匹配b，所以a后面所有的b都出现了。

• 使用非贪婪的数量词的正则表达式ab*?，匹配结果：a。

即使前面有*,但是?决定了尽可能少匹配b，所以没有b。

实例二：源字符串：aa<div>test1</div>bb<div>test2</div>cc

• 使用贪婪的数量词的正则表达式：<div>.*</div>
• 匹配结果：<div>test1</div>bb<div>test2</div>

这里采用的是贪婪模式。在匹配到第一个“</div>”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个“</div>”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为“<div>test1</div>bb<div>test2</div>”

• 使用非贪婪的数量词的正则表达式：<div>.*?</div>
• 匹配结果：<div>test1</div>

正则表达式二采用的是非贪婪模式，在匹配到第一个“</div>”时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为“<div>test1</div>”。

参考

1. 正则表达式测试网址
2. 廖雪峰-正则表达式
3. Python正则匹配中文与编码总结