為什么要學(xué)正則表達(dá)式

實(shí)際上爬蟲(chóng)一共就四個(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(lái))
取 (去掉對(duì)我們沒(méi)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）
我們?cè)谧蛱斓陌咐飳?shí)際上省略了第3步，也就是"取"的步驟。因?yàn)槲覀僤own下了的數(shù)據(jù)是全部的網(wǎng)頁(yè)，這些數(shù)據(jù)很龐大并且很混亂，大部分的東西使我們不關(guān)心的，因此我們需要將之按我們的需要過(guò)濾和匹配出來(lái)。

那么對(duì)于文本的過(guò)濾或者規(guī)則的匹配，最強(qiáng)大的就是正則表達(dá)式，是Python爬蟲(chóng)世界里必不可少的神兵利器。

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(lái)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(lái)表達(dá)對(duì)字符串的一種過(guò)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(guò)濾邏輯（“匹配”）；
通過(guò)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(guò)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(lái)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，示例：

r'chuanzhiboket.tpython'

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(guò) 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(lái)，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(kāi)始查找，一次匹配
search 方法：從任何位置開(kāi)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(zhǎng)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(méi)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('one12twothree34four') # 查找頭部，沒(méi)有匹配
>>> print (m)
None

>>> m = pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開(kāi)始匹配，沒(méi)有匹配
>>> print (m)
None

>>> m = pattern.match('one12twothree34four', 3, 10) # 從'1'的位置開(kāi)始匹配，正好匹配
>>> print (m) # 返回一個(gè) Match 對(duì)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，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 Wide Web')

>>> print (m) # 匹配成功，返回一個(gè) Match 對(duì)象
<_sre.SRE_Match object at 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 "<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(zhǎng)度)。

當(dāng)匹配成功時(shí)，返回一個(gè) Match 對(duì)象，如果沒(méi)有匹配上，則返回 None。

讓我們看看例子：

>>> import re
>>> pattern = re.compile('d+')
>>> m = pattern.search('one12twothree34four') # 這里如果使用 match 方法則不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30) # 指定字符串區(qū)間
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)

再來(lái)看一個(gè)例子：

# -*- coding: utf-8 -*-

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(wú)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(zhǎng)度)。

findall 以列表形式返回全部能匹配的子串，如果沒(méi)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']

再先看一個(gè)栗子：

# re_test.py

import re

#re模塊提供一個(gè)方法叫compile模塊，提供我們輸入一個(gè)匹配的規(guī)則
#然后返回一個(gè)pattern實(shí)例，我們根據(jù)這個(gè)規(guī)則去匹配字符串
pattern = re.compile(r'd+.d*')

#通過(guò)partten.findall()方法就能夠全部匹配到我們得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

#findall 以 列表形式 返回全部能匹配的子串給result
for item in result:
 print (item)

運(yùn)行結(jié)果：

123.141593
3.15

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(wèn)每一個(gè)匹配結(jié)果（Match 對(duì)象）的迭代器。

看看例子：

# -*- coding: utf-8 -*-

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

result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)

print (type(result_iter1))
print (type(result_iter2))

print 'result1...'
for m1 in result_iter1: # m1 是 Match 對(duì)象
 print ('matching string: {}, position: {}'.format(m1.group(), m1.span()))

print 'result2...'
for m2 in result_iter2:
 print ('matching string: {}, position: {}'.format(m2.group(), m2.span()))

執(zhí)行結(jié)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(lái)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):
 print(m)
 return 'hi' + ' ' + m.group(2) #group(0) 表示本身，group(1)表示hello，group(2) 表示后面的數(shù)字

print (p.sub(func, s)) #多次sub，每次sub的結(jié)果傳遞給func
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

匹配中文

在某些情況下，我們想匹配文本中的漢字，有一點(diǎn)需要注意的是，中文的 unicode 編碼范圍 主要在 [u4e00-u9fa5]，這里說(shuō)主要是因?yàn)檫@個(gè)范圍并不完整，比如沒(méi)有包括全角（中文）標(biāo)點(diǎn)，不過(guò)，在大部分情況下，應(yīng)該是夠用的。

假設(shè)現(xiàn)在想把字符串 title = u’你好，hello，世界’ 中的中文提取出來(lái)，可以這么做：

import re

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

print (result)

注意到，我們?cè)谡齽t表達(dá)式前面加上了兩個(gè)前綴 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

執(zhí)行結(jié)果:

['你好', '世界']

注意：貪婪模式與非貪婪模式

貪婪模式：在整個(gè)表達(dá)式匹配成功的前提下，盡可能多的匹配 ( * )；
非貪婪模式：在整個(gè)表達(dá)式匹配成功的前提下，盡可能少的匹配 ( ? )；
Python里數(shù)量詞默認(rèn)是貪婪的。

示例一 ： 源字符串：abbbc

使用貪婪的數(shù)量詞的正則表達(dá)式 ab* ，匹配結(jié)果： abbb。

• 決定了盡可能多匹配 b，所以a后面所有的 b 都出現(xiàn)了。

使用非貪婪的數(shù)量詞的正則表達(dá)式ab*?，匹配結(jié)果： a。

即使前面有 *，但是 ? 決定了盡可能少匹配 b，所以沒(méi)有 b。

示例二 ： 源字符串：

aa<div>test1</div>bb<div>test2</div>cc

使用貪婪的數(shù)量詞的正則表達(dá)式：<div>.*</div>

匹配結(jié)果：<div>test1</div>bb<div>test2</div>

這里采用的是貪婪模式。在匹配到第一個(gè)"“時(shí)已經(jīng)可以使整個(gè)表達(dá)式匹配成功，但是由于采用的是貪婪模式，所以仍然要向右嘗試匹配，查看是否還有更長(zhǎng)的可以成功匹配的子串。匹配到第二個(gè)”“后，向右再?zèng)]有可以成功匹配的子串，匹配結(jié)束，匹配結(jié)果為”<div>test1</div>bb<div>test2</div>"

使用非貪婪的數(shù)量詞的正則表達(dá)式：<div>.*?</div>

匹配結(jié)果：<div>test1</div>

正則表達(dá)式二采用的是非貪婪模式，在匹配到第一個(gè)""時(shí)使整個(gè)表達(dá)式匹配成功，由于采用的是非貪婪模式，所以結(jié)束匹配，不再向右嘗試，匹配結(jié)果為"<div>test1</div>"。