零基礎(chǔ)寫(xiě)python爬蟲(chóng)之神器正則表達(dá)式

更新時(shí)間：2014年11月06日 09:21:15 投稿：hebedich

正則表達(dá)式在Python爬蟲(chóng)中的作用就像是老師點(diǎn)名時(shí)用的花名冊(cè)一樣，是必不可少的神兵利器。正則表達(dá)式是用于處理字符串的強(qiáng)大工具，它并不是Python的一部分。其他編程語(yǔ)言中也有正則表達(dá)式的概念，區(qū)別只在于不同的編程語(yǔ)言實(shí)現(xiàn)支持的語(yǔ)法數(shù)量不同。

接下來(lái)準(zhǔn)備用糗百做一個(gè)爬蟲(chóng)的小例子。
但是在這之前，先詳細(xì)的整理一下Python中的正則表達(dá)式的相關(guān)內(nèi)容。
正則表達(dá)式在Python爬蟲(chóng)中的作用就像是老師點(diǎn)名時(shí)用的花名冊(cè)一樣，是必不可少的神兵利器。

一、正則表達(dá)式基礎(chǔ)
1.1.概念介紹

正則表達(dá)式是用于處理字符串的強(qiáng)大工具，它并不是Python的一部分。
其他編程語(yǔ)言中也有正則表達(dá)式的概念，區(qū)別只在于不同的編程語(yǔ)言實(shí)現(xiàn)支持的語(yǔ)法數(shù)量不同。
它擁有自己獨(dú)特的語(yǔ)法以及一個(gè)獨(dú)立的處理引擎，在提供了正則表達(dá)式的語(yǔ)言里，正則表達(dá)式的語(yǔ)法都是一樣的。
下圖展示了使用正則表達(dá)式進(jìn)行匹配的流程：

正則表達(dá)式的大致匹配過(guò)程是：
1.依次拿出表達(dá)式和文本中的字符比較，
2.如果每一個(gè)字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。
3.如果表達(dá)式中有量詞或邊界，這個(gè)過(guò)程會(huì)稍微有一些不同。

下圖列出了Python支持的正則表達(dá)式元字符和語(yǔ)法：

1.2. 數(shù)量詞的貪婪模式與非貪婪模式

正則表達(dá)式通常用于在文本中查找匹配的字符串。
貪婪模式，總是嘗試匹配盡可能多的字符；
非貪婪模式則相反，總是嘗試匹配盡可能少的字符。
Python里數(shù)量詞默認(rèn)是貪婪的。
例如：正則表達(dá)式"ab*"如果用于查找"abbbc"，將找到"abbb"。
而如果使用非貪婪的數(shù)量詞"ab*?"，將找到"a"。

1.3. 反斜杠的問(wèn)題

與大多數(shù)編程語(yǔ)言相同，正則表達(dá)式里使用"\"作為轉(zhuǎn)義字符，這就可能造成反斜杠困擾。
假如你需要匹配文本中的字符"\"，那么使用編程語(yǔ)言表示的正則表達(dá)式里將需要4個(gè)反斜杠"\\\\"：
第一個(gè)和第三個(gè)用于在編程語(yǔ)言里將第二個(gè)和第四個(gè)轉(zhuǎn)義成反斜杠，
轉(zhuǎn)換成兩個(gè)反斜杠\\后再在正則表達(dá)式里轉(zhuǎn)義成一個(gè)反斜杠用來(lái)匹配反斜杠\。
這樣顯然是非常麻煩的。
Python里的原生字符串很好地解決了這個(gè)問(wèn)題，這個(gè)例子中的正則表達(dá)式可以使用r"\\"表示。
同樣，匹配一個(gè)數(shù)字的"\\d"可以寫(xiě)成r"\d"。
有了原生字符串，媽媽再也不用擔(dān)心我的反斜杠問(wèn)題~

二、介紹re模塊

2.1. Compile

Python通過(guò)re模塊提供對(duì)正則表達(dá)式的支持。
使用re的一般步驟是：
Step1：先將正則表達(dá)式的字符串形式編譯為Pattern實(shí)例。
Step2：然后使用Pattern實(shí)例處理文本并獲得匹配結(jié)果（一個(gè)Match實(shí)例）。
Step3：最后使用Match實(shí)例獲得信息，進(jìn)行其他的操作。
我們新建一個(gè)re01.py來(lái)試驗(yàn)一下re的應(yīng)用：

復(fù)制代碼代碼如下:

# -*- coding: utf-8 -*-  

#一個(gè)簡(jiǎn)單的re實(shí)例，匹配字符串中的hello字符串    

#導(dǎo)入re模塊  

import re  

# 將正則表達(dá)式編譯成Pattern對(duì)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，獲得匹配結(jié)果，無(wú)法匹配時(shí)將返回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獲得分組信息  

    print match1.group()  

else:  

    print 'match1匹配失敗！'  

#如果match2匹配成功  

if match2:  

    # 使用Match獲得分組信息  

    print match2.group()  

else:  

    print 'match2匹配失?。?  

#如果match3匹配成功  

if match3:  

    # 使用Match獲得分組信息  

    print match3.group()  

else:  

    print 'match3匹配失?。?

可以看到控制臺(tái)輸出了匹配的三個(gè)結(jié)果：

下面來(lái)具體看看代碼中的關(guān)鍵方法。
★ re.compile(strPattern[, flag]):
這個(gè)方法是Pattern類(lèi)的工廠方法，用于將字符串形式的正則表達(dá)式編譯為Pattern對(duì)象。
第二個(gè)參數(shù)flag是匹配模式，取值可以使用按位或運(yùn)算符'|'表示同時(shí)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)與re.compile('(?im)pattern')是等價(jià)的。
可選值有：
    re.I(全拼：IGNORECASE): 忽略大小寫(xiě)（括號(hào)內(nèi)是完整寫(xiě)法，下同）
   re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見(jiàn)上圖）
    re.S(全拼：DOTALL): 點(diǎn)任意匹配模式，改變'.'的行為
    re.L(全拼：LOCALE): 使預(yù)定字符類(lèi) \w \W \b \B \s \S 取決于當(dāng)前區(qū)域設(shè)定
    re.U(全拼：UNICODE): 使預(yù)定字符類(lèi) \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性
    re.X(全拼：VERBOSE): 詳細(xì)模式。這個(gè)模式下正則表達(dá)式可以是多行，忽略空白字符，并可以加入注釋。

以下兩個(gè)正則表達(dá)式是等價(jià)的：

復(fù)制代碼代碼如下:

# -*- coding: utf-8 -*-  

#兩個(gè)等價(jià)的re匹配,匹配一個(gè)小數(shù)  

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獲得分組信息  

    print match11.group()  

else:  

    print u'match11不是小數(shù)'  

if match12:  

    # 使用Match獲得分組信息  

    print match12.group()  

else:  

    print u'match12不是小數(shù)'  

if match21:  

    # 使用Match獲得分組信息  

    print match21.group()  

else:  

    print u'match21不是小數(shù)'  

if match22:  

    # 使用Match獲得分組信息  

    print match22.group()  

else:  

    print u'match22不是小數(shù)'

re提供了眾多模塊方法用于完成正則表達(dá)式的功能。
這些方法可以使用Pattern實(shí)例的相應(yīng)方法替代，唯一的好處是少寫(xiě)一行re.compile()代碼，
但同時(shí)也無(wú)法復(fù)用編譯后的Pattern對(duì)象。
這些方法將在Pattern類(lèi)的實(shí)例方法部分一起介紹。
如一開(kāi)始的hello實(shí)例可以簡(jiǎn)寫(xiě)為：

復(fù)制代碼代碼如下:

# -*- coding: utf-8 -*-  

#一個(gè)簡(jiǎn)單的re實(shí)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模塊還提供了一個(gè)方法escape(string)，用于將string中的正則表達(dá)式元字符如*/+/?等之前加上轉(zhuǎn)義符再返回

2.2. Match

Match對(duì)象是一次匹配的結(jié)果，包含了很多關(guān)于此次匹配的信息，可以使用Match提供的可讀屬性或方法來(lái)獲取這些信息。
屬性：
string: 匹配時(shí)使用的文本。
re: 匹配時(shí)使用的Pattern對(duì)象。
pos: 文本中正則表達(dá)式開(kāi)始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。
endpos: 文本中正則表達(dá)式結(jié)束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。
lastindex: 最后一個(gè)被捕獲的分組在文本中的索引。如果沒(méi)有被捕獲的分組，將為None。
lastgroup: 最后一個(gè)被捕獲的分組的別名。如果這個(gè)分組沒(méi)有別名或者沒(méi)有被捕獲的分組，將為None。
方法：
group([group1, …])：
獲得一個(gè)或多個(gè)分組截獲的字符串；指定多個(gè)參數(shù)時(shí)將以元組形式返回。group1可以使用編號(hào)也可以使用別名；編號(hào)0代表整個(gè)匹配的子串；不填寫(xiě)參數(shù)時(shí)，返回group(0)；沒(méi)有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
groups([default])：
以元組形式返回全部分組截獲的字符串。相當(dāng)于調(diào)用group(1,2,…last)。default表示沒(méi)有截獲字符串的組以這個(gè)值替代，默認(rèn)為None。
groupdict([default])：
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒(méi)有別名的組不包含在內(nèi)。default含義同上。
start([group])：
返回指定的組截獲的子串在string中的起始索引（子串第一個(gè)字符的索引）。group默認(rèn)值為0。
end([group])：
返回指定的組截獲的子串在string中的結(jié)束索引（子串最后一個(gè)字符的索引+1）。group默認(rèn)值為0。
span([group])：
返回(start(group), end(group))。
expand(template)：
將匹配到的分組代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號(hào)0。\id與\g<id>是等價(jià)的；但\10將被認(rèn)為是第10個(gè)分組，如果你想表達(dá)\1之后是字符'0'，只能使用\g<1>0。
下面來(lái)用一個(gè)py實(shí)例輸出所有的內(nèi)容加深理解：

復(fù)制代碼代碼如下:

# -*- coding: utf-8 -*-  

#一個(gè)簡(jiǎn)單的match實(shí)例  

import re  

# 匹配如下內(nèi)容：?jiǎn)卧~+空格+單詞+任意字符  

m = re.match(r'(\w+) (\w+)(?P<sign>.*)', '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<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')  

### output ###  

# m.string: hello world!  

# m.re: <_sre.SRE_Pattern object at 0x016E1A38>  

# 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對(duì)象是一個(gè)編譯好的正則表達(dá)式，通過(guò)Pattern提供的一系列方法可以對(duì)文本進(jìn)行匹配查找。
Pattern不能直接實(shí)例化，必須使用re.compile()進(jìn)行構(gòu)造，也就是re.compile()返回的對(duì)象。
Pattern提供了幾個(gè)可讀屬性用于獲取表達(dá)式的相關(guān)信息：
pattern: 編譯時(shí)用的表達(dá)式字符串。
flags: 編譯時(shí)用的匹配模式。數(shù)字形式。
groups: 表達(dá)式中分組的數(shù)量。
groupindex: 以表達(dá)式中有別名的組的別名為鍵、以該組對(duì)應(yīng)的編號(hào)為值的字典，沒(méi)有別名的組不包含在內(nèi)。
可以用下面這個(gè)例子查看pattern的屬性：

復(fù)制代碼代碼如下:

# -*- coding: utf-8 -*-  

#一個(gè)簡(jiǎn)單的pattern實(shí)例  

import re  

p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', 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<sign>.*)  

# p.flags: 16  

# p.groups: 3  

# p.groupindex: {'sign': 3}

下面重點(diǎn)介紹一下pattern的實(shí)例方法及其使用。

1.match

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])：
這個(gè)方法將從string的pos下標(biāo)處起嘗試匹配pattern；
如果pattern結(jié)束時(shí)仍可匹配，則返回一個(gè)Match對(duì)象；
如果匹配過(guò)程中pattern無(wú)法匹配，或者匹配未結(jié)束就已到達(dá)endpos，則返回None。
pos和endpos的默認(rèn)值分別為0和len(string)；
re.match()無(wú)法指定這兩個(gè)參數(shù)，參數(shù)flags用于編譯pattern時(shí)指定匹配模式。
注意：這個(gè)方法并不是完全匹配。
當(dāng)pattern結(jié)束時(shí)若string還有剩余字符，仍然視為成功。
想要完全匹配，可以在表達(dá)式末尾加上邊界匹配符'$'。
下面來(lái)看一個(gè)Match的簡(jiǎn)單案例：

復(fù)制代碼代碼如下:

# encoding: UTF-8  

import re  

# 將正則表達(dá)式編譯成Pattern對(duì)象  

pattern = re.compile(r'hello')  

# 使用Pattern匹配文本，獲得匹配結(jié)果，無(wú)法匹配時(shí)將返回None  

match = pattern.match('hello world!')  

if match:  

    # 使用Match獲得分組信息  

    print match.group()  

### 輸出 ###  

# hello

2.search

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
這個(gè)方法用于查找字符串中可以匹配成功的子串。
從string的pos下標(biāo)處起嘗試匹配pattern，
如果pattern結(jié)束時(shí)仍可匹配，則返回一個(gè)Match對(duì)象；
若無(wú)法匹配，則將pos加1后重新嘗試匹配；
直到pos=endpos時(shí)仍無(wú)法匹配則返回None。
pos和endpos的默認(rèn)值分別為0和len(string))；
re.search()無(wú)法指定這兩個(gè)參數(shù)，參數(shù)flags用于編譯pattern時(shí)指定匹配模式。
那么它和match有什么區(qū)別呢？
match()函數(shù)只檢測(cè)re是不是在string的開(kāi)始位置匹配，
search()會(huì)掃描整個(gè)string查找匹配，

match（）只有在0位置匹配成功的話才有返回，如果不是開(kāi)始位置匹配成功的話，match()就返回none
例如：
print(re.match(‘super', ‘superstition').span())
會(huì)返回(0, 5)
print(re.match(‘super', ‘insuperable'))
則返回None

search()會(huì)掃描整個(gè)字符串并返回第一個(gè)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)
看一個(gè)search的實(shí)例：

復(fù)制代碼代碼如下:

# -*- coding: utf-8 -*-  

#一個(gè)簡(jiǎn)單的search實(shí)例  

import re  

# 將正則表達(dá)式編譯成Pattern對(duì)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時(shí)將返回None  

# 這個(gè)例子中使用match()無(wú)法成功匹配  

match = pattern.search('hello world!')  

if match:  

    # 使用Match獲得分組信息  

    print match.group()  

### 輸出 ###  

# world

3.split
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能夠匹配的子串將string分割后返回列表。
maxsplit用于指定最大分割次數(shù)，不指定將全部分割。

復(fù)制代碼代碼如下:

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。

復(fù)制代碼代碼如下:

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，返回一個(gè)順序訪問(wèn)每一個(gè)匹配結(jié)果（Match對(duì)象）的迭代器。

復(fù)制代碼代碼如下:

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替換string中每一個(gè)匹配的子串后返回替換后的字符串。
當(dāng)repl是一個(gè)字符串時(shí)，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號(hào)0。
當(dāng)repl是一個(gè)方法時(shí)，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。

復(fù)制代碼代碼如下:

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]), 替換次數(shù))。

復(fù)制代碼代碼如下:

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神器正則表達(dá)式的基本介紹了，非常簡(jiǎn)單實(shí)用吧，希望對(duì)大家有所幫助^_^

您可能感興趣的文章: