正則表達(dá)式與爬蟲：
爬蟲四個(gè)主要步驟：
• 明確目標(biāo) (要知道你準(zhǔn)備在哪個(gè)范圍或者網(wǎng)站去搜索)
• 爬 (將所有的網(wǎng)站的內(nèi)容全部爬下來)
• 取 (去掉對(duì)我們沒用處的數(shù)據(jù))
• 處理數(shù)據(jù)(按照我們想要的方式存儲(chǔ)和使用)
那么在文本過濾這塊最強(qiáng)大的就是正則表達(dá)式，更是python爬蟲世界必不可少利器。
什么是正則表達(dá)式
正則表達(dá)式，又稱規(guī)則表達(dá)式，通常被用來檢索、替換那些符合某個(gè)模式(規(guī)則)的文本。
正則表達(dá)式是對(duì)字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個(gè)“規(guī)則字符串”，這個(gè)“規(guī)則字符串”用來表達(dá)對(duì)字符串的一種過濾邏輯。
給定一個(gè)正則表達(dá)式和另一個(gè)字符串，我們可以達(dá)到如下的目的：
• 給定的字符串是否符合正則表達(dá)式的過濾邏輯(“匹配”);
• 通過正則表達(dá)式，從文本字符串中獲取我們想要的特定部分(“過濾”)。
正則表達(dá)式匹配規(guī)則
Python 的 re 模塊
在 Python 中，我們可以使用內(nèi)置的 re 模塊來使用正則表達(dá)式。
有一點(diǎn)需要特別注意的是，正則表達(dá)式使用 對(duì)特殊字符進(jìn)行轉(zhuǎn)義，所以如果我們要使用原始字符串，只需加一個(gè) r 前綴：
re 模塊的一般使用步驟如下：
• 使用 compile() 函數(shù)將正則表達(dá)式的字符串形式編譯為一個(gè) Pattern 對(duì)象
• 通過 Pattern 對(duì)象提供的一系列方法對(duì)文本進(jìn)行匹配查找，獲得匹配結(jié)果，一個(gè) Match 對(duì)象。
• 最后使用 Match 對(duì)象提供的屬性和方法獲得信息，根據(jù)需要進(jìn)行其他的操作
compile 函數(shù)
compile 函數(shù)用于編譯正則表達(dá)式，生成一個(gè) Pattern 對(duì)象，它的一般使用形式如下：
import re
# 將正則表達(dá)式編譯成 Pattern 對(duì)象
pattern = re.compile(r'\d+')
在上面，我們已將一個(gè)正則表達(dá)式編譯成 Pattern 對(duì)象，接下來，我們就可以利用 pattern 的一系列方法對(duì)文本進(jìn)行匹配查找了。
Pattern 對(duì)象的一些常用方法主要有：
• match 方法：從起始位置開始查找，一次匹配
• search 方法：從任何位置開始查找，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：替換
match 方法
match 方法用于查找字符串的頭部(也可以指定起始位置)，它是一次匹配，只要找到了一個(gè)匹配的結(jié)果就返回，而不是查找所有匹配的結(jié)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 是可選參數(shù)，指定字符串的起始和終點(diǎn)位置，默認(rèn)值分別是 0 和 len (字符串長度)。因此，當(dāng)你不指定 pos 和 endpos 時(shí)，match 方法默認(rèn)匹配字符串的頭部。
當(dāng)匹配成功時(shí)，返回一個(gè) Match 對(duì)象，如果沒有匹配上，則返回 None。
>>> import re
>>> pattern = re.compile(r'\d+') # 用于匹配至少一個(gè)數(shù)字
>>> m = pattern.match(' okk12hellohai34fine') # 查找頭部，沒有匹配
>>> print m
None
>>> m = pattern.match(' okk12hellohai34fine ', 2, 10) # 從'k'的位置開始匹配，沒有匹配
>>> print m
None
>>> m = pattern.match(' okk12hellohai34fine ', 3, 10) # 從'1'的位置開始匹配，正好匹配
>>> print m # 返回一個(gè) Match 對(duì)象
<sre.srematch 0x10a42aac0="" at="" object="">
>>> 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，當(dāng)匹配成功時(shí)返回一個(gè) Match 對(duì)象，其中：
• group([group1, …]) 方法用于獲得一個(gè)或多個(gè)分組匹配的字符串，當(dāng)要獲得整個(gè)匹配的子串時(shí)，可直接使用 group() 或 group(0);
• start([group]) 方法用于獲取分組匹配的子串在整個(gè)字符串中的起始位置(子串第一個(gè)字符的索引)，參數(shù)默認(rèn)值為 0;
• end([group]) 方法用于獲取分組匹配的子串在整個(gè)字符串中的結(jié)束位置(子串最后一個(gè)字符的索引+1)，參數(shù)默認(rèn)值為 0;
• span([group]) 方法返回 (start(group), end(group))。
再看看一個(gè)例子：
>>> import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小寫
>>> m = pattern.match('Hello World Wife Web')
>>> print m # 匹配成功，返回一個(gè) Match 對(duì)象
<sre.srematch at="" object="" 0x10bea83e8="">
>>> m.group(0) # 返回匹配成功的整個(gè)子串
'Hello World'
>>> m.span(0) # 返回匹配成功的整個(gè)子串的索引
(0, 11)
>>> m.group(1) # 返回第一個(gè)分組匹配成功的子串
'Hello'
>>> m.span(1) # 返回第一個(gè)分組匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二個(gè)分組匹配成功的子串
'World'
>>> m.span(2) # 返回第二個(gè)分組匹配成功的子串
(6, 11)
>>> m.groups() # 等價(jià)于 (m.group(1), m.group(2), ...)
('Hello', 'World')
>>> m.group(3) # 不存在第三個(gè)分組
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，只要找到了一個(gè)匹配的結(jié)果就返回，而不是查找所有匹配的結(jié)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 是可選參數(shù)，指定字符串的起始和終點(diǎn)位置，默認(rèn)值分別是 0 和 len (字符串長度)。
當(dāng)匹配成功時(shí)，返回一個(gè) Match 對(duì)象，如果沒有匹配上，則返回 None。
讓我們看看例子：
>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search(' okk12hellohai34fine ') # 這里如果使用 match 方法則不匹配
>>> m
<sre.srematch at="" object="" 0x10cc03ac0="">
>>> m.group()
'12'
>>> m = pattern.search(' okk12hellohai34fine ', 10, 30) # 指定字符串區(qū)間
>>> m
<sre.srematch at="" object="" 0x10cc03b28="">
>>> m.group()
'34'
>>> m.span()
(13, 15)
再來看一個(gè)例子：
import re
# 將正則表達(dá)式編譯成 Pattern 對(duì)象
pattern = re.compile(r'\d+')
# 使用 search() 查找匹配的子串，不存在匹配的子串時(shí)將返回 None
# 這里使用 match() 無法成功匹配
m = pattern.search('hello 123456 789')
if m:
# 使用 Match 獲得分組信息
print 'matching string:',m.group()
# 起始位置和結(jié)束位置
print 'position:',m.span()
執(zhí)行結(jié)果：
matching string: 123456
position: (6, 12)
findall 方法
上面的 match 和 search 方法都是一次匹配，只要找到了一個(gè)匹配的結(jié)果就返回。然而，在大多數(shù)時(shí)候，我們需要搜索整個(gè)字符串，獲得所有匹配的結(jié)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 是可選參數(shù)，指定字符串的起始和終點(diǎn)位置，默認(rèn)值分別是 0 和 len (字符串長度)。
findall 以列表形式返回全部能匹配的子串，如果沒有匹配，則返回一個(gè)空列表。
看看例子：
import re
pattern = re.compile(r'\d+') # 查找數(shù)字
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print result1
print result2
執(zhí)行結(jié)果：
['123456', '789']
['1', '2']
finditer 方法
finditer 方法的行為跟 findall 的行為類似，也是搜索整個(gè)字符串，獲得所有匹配的結(jié)果。但它返回一個(gè)順序訪問每一個(gè)匹配結(jié)果(Match 對(duì)象)的迭代器。
split 方法
split 方法按照能夠匹配的子串將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數(shù)，不指定將全部分割。
看看例子：
import re
p = re.compile(r'[\s\,\;]+')
print p.split('a,b;; c d')
執(zhí)行結(jié)果：
['a', 'b', 'c', 'd']
sub 方法
sub 方法用于替換。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個(gè)函數(shù)：
• 如果 repl 是字符串，則會(huì)使用 repl 去替換字符串每一個(gè)匹配的子串，并返回替換后的字符串，另外，repl 還可以使用 id 的形式來引用分組，但不能使用編號(hào) 0;
• 如果 repl 是函數(shù)，這個(gè)方法應(yīng)當(dāng)只接受一個(gè)參數(shù)(Match 對(duì)象)，并返回一個(gè)字符串用于替換(返回的字符串中不能再引用分組)。
• count 用于指定最多替換次數(shù)，不指定時(shí)全部替換。
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' 替換 'hello 123' 和 'hello 456'
print p.sub(r'\2 \1', s) # 引用分組
def func(m):
return 'hi' + ' ' + m.group(2)
print p.sub(func, s)
print p.sub(func, s, 1) # 最多替換一次
執(zhí)行結(jié)果：
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
更多關(guān)于“Python培訓(xùn)”的問題，歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學(xué)，課程大綱緊跟企業(yè)需求，更科學(xué)更嚴(yán)謹(jǐn)，每年培養(yǎng)泛IT人才近2萬人。不論你是零基礎(chǔ)還是想提升，都可以找到適合的班型，千鋒教育隨時(shí)歡迎你來試聽。
京公網(wǎng)安備 11010802030320號(hào)