在之前的文章中我們介紹了一下 requests 模組,今天我們再來看一下 Python 爬蟲中的正則表達的使用和 re 模組。
實際上爬蟲一共就四個主要步驟:
- 明確目標 (要知道你準備在哪個範圍或者網站去搜尋)
- 爬 (將所有的網站的內容全部爬下來)
- 取 (去掉對我們沒用處的資料)
- 處理資料(按照我們想要的方式儲存和使用)
我們在之前寫的爬蟲程式中,都只是獲取到了頁面的全部內容,也就是隻進行到了第2步,但是大部分的東西是我們不關心的,因此我們需要將之按我們的需要過濾和匹配出來。這時候我們就需要用到了正規表示式。
什麼是正規表示式
正規表示式,又稱規則表示式,通常被用來檢索、替換那些符合某個模式(規則)的文字。
正規表示式是對字串操作的一種邏輯公式,就是用事先定義好的一些特定字元、及這些特定字元的組合,組成一個“規則字串”,這個“規則字串”用來表達對字串的一種過濾邏輯。
給定一個正規表示式和另一個字串,我們可以達到如下的目的:
- 給定的字串是否符合正規表示式的過濾邏輯(“匹配”);
- 通過正規表示式,從文字字串中獲取我們想要的特定部分(“過濾”)。
正規表示式匹配規則
Python 的 re 模組
在 Python 中,我們可以使用內建的 re 模組來使用正規表示式。
有一點需要特別注意的是,正規表示式使用 對特殊字元進行轉義,所以如果我們要使用原始字串,只需加一個 r 字首,如下:
r'python\t\.\tpython'
re 模組的一般使用步驟如下:
-
使用
compile()
函式將正規表示式的字串形式編譯為一個Pattern
物件 -
通過
Pattern
物件提供的一系列方法對文字進行匹配查詢,獲得匹配結果,一個 Match 物件。 - 最後使用
Match
物件提供的屬性和方法獲得資訊,根據需要進行其他的操作
compile 函式
compile 函式用於編譯正規表示式,生成一個 Pattern 物件,它的一般使用形式如下:
1 import re 2 3 # 將正規表示式編譯成 Pattern 物件 4 pattern = re.compile(r'\d+')
在上面,我們已將一個正規表示式編譯成 Pattern 物件,接下來,我們就可以利用 pattern 的一系列方法對文字進行匹配查詢了。
Pattern 物件的一些常用方法主要有:
- match 方法:從起始位置開始查詢,一次匹配
- search 方法:從任何位置開始查詢,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:分割字串,返回列表
- sub 方法:替換
match 方法
match 方法用於查詢字串的頭部(也可以指定起始位置),它是一次匹配,只要找到了一個匹配的結果就返回,而不是查詢所有匹配的結果。它的一般使用形式如下:
match(string[, pos[, endpos]])
其中,string 是待匹配的字串,pos 和 endpos 是可選引數,指定字串的起始和終點位置,預設值分別是 0 和 len (字串長度)。因此,當你不指定 pos 和 endpos 時,match 方法預設匹配字串的頭部。
當匹配成功時,返回一個 Match 物件,如果沒有匹配上,則返回 None。
1 import re 2 3 pattern = re.compile(r'\d+') # 用於匹配至少一個數字 4 5 str = 'abc123def456' 6 7 p = pattern.match(str) # 查詢頭部,沒有匹配 8 print(p) # None 9 10 p = pattern.match(str, 2, 9) # 從'c'的位置開始匹配,沒有匹配 11 print(p) # None 12 13 p = pattern.match(str, 3, 9) # 從'4'的位置開始匹配,正好匹配, 返回一個 Match 物件 14 print(p) # <re.Match object; span=(3, 6), match='123'> 15 16 p = p.group(0) # 可省略 0 17 print(p) # 123 18 19 p = p.start(0) # 可省略 0 20 print(p) # 3 21 22 p = p.end(0) # 可省略 0 23 print(p) # 6 24 25 p = p.span(0) # 可省略 0 26 print(p) # (3, 6)
在上面,當匹配成功時返回一個 Match 物件,其中:
-
group([group1, …]) 方法用於獲得一個或多個分組匹配的字串,當要獲得整個匹配的子串時,可直接使用 group() 或 group(0);
-
start([group]) 方法用於獲取分組匹配的子串在整個字串中的起始位置(子串第一個字元的索引),引數預設值為 0;
- end([group]) 方法用於獲取分組匹配的子串在整個字串中的結束位置(子串最後一個字元的索引+1),引數預設值為 0;
- span([group]) 方法返回 (start(group), end(group))。
我們再來看一下具體用法:
1 import re 2 3 pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # 用於匹配至少一個字母, re.I 表示忽略大小寫 4 5 str = 'Hello world hello Python' 6 7 p = pattern.match(str) # 查詢頭部,匹配成功,返回一個 Match 物件 8 print(p) # <re.Match object; span=(0, 11), match='Hello world'> 9 10 p = p.group(0) # 返回匹配成功的整個子串 11 print(p) # Hello world 12 13 p = p.group(1) # 返回第一個分組匹配成功的子串 14 print(p) # Hello 15 p = p.group(2) # 返回第二個分組匹配成功的子串 16 print(p) # world 17 p = p.group(3) # 不存在第三個分組 18 print(p) # IndexError: no such group 19 20 p = p.span(0) # 返回匹配成功的整個子串的索引 21 print(p) # (0, 11) 22 p = p.span(1) # 返回第一個分組匹配成功的子串的索引 23 print(p) # (0, 5) 24 p = p.span(2) # 返回第二個分組匹配成功的子串的索引 25 print(p) # (6, 11) 26 p = p.span(3) # 不存在第三個分組 27 print(p) # IndexError: no such group 28 29 p = p.start(0) # 返回匹配成功的整個子串的開始下標 30 print(p) # 0 31 p = p.end(0) # 返回匹配成功的整個子串的結束下標 32 print(p) # 11 33 p = p.start(1) # 返回第一個分組匹配成功的子串的開始下標 34 print(p) # 0 35 p = p.end(1) # 返回第一個分組匹配成功的子串的結束下標 36 print(p) # 5 37 p = p.start(2) # 返回第二個分組匹配成功的子串的開始下標 38 print(p) # 6 39 p = p.end(2) # 返回第二個分組匹配成功的子串的結束下標 40 print(p) # 11 41 p = p.start(3) # 返回第三個分組匹配成功的子串的開始下標 42 print(p) # IndexError: no such group 43 p = p.end(3) # 返回第三個分組匹配成功的子串的結束下標 44 print(p) # IndexError: no such group 45 46 p = p.groups() # 等價於 (m.group(1), m.group(2), ...) 47 print(p) # ('Hello', 'world')
search 方法
search 方法用於查詢字串的任何位置,它也是一次匹配,只要找到了一個匹配的結果就返回,而不是查詢所有匹配的結果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待匹配的字串,pos 和 endpos 是可選引數,指定字串的起始和終點位置,預設值分別是 0 和 len (字串長度)。
當匹配成功時,返回一個 Match 物件,如果沒有匹配上,則返回 None。
1 import re 2 3 pattern = re.compile(r'\d+') # 用於匹配至少一個數字 4 5 str = 'abc123def456' 6 7 p = pattern.search(str) # 查詢頭部,匹配成功,返回一個 Match 物件 8 print(p) # <re.Match object; span=(3, 6), match='123'> 9 10 p = pattern.search(str, 1, 3) # 指定區間, 匹配失敗,返回一個 None 11 print(p) # None 12 13 p = pattern.search(str, 8, 10) # 指定區間, 匹配成功,返回一個 Match 物件 14 print(p) # <re.Match object; span=(9, 10), match='4'>
findall 方法
上面的 match 和 search 方法都是一次匹配,只要找到了一個匹配的結果就返回。然而,在大多數時候,我們需要搜尋整個字串,獲得所有匹配的結果。
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string 是待匹配的字串,pos 和 endpos 是可選引數,指定字串的起始和終點位置,預設值分別是 0 和 len (字串長度)。
findall 以列表形式返回全部能匹配的子串,如果沒有匹配,則返回一個空列表。
1 import re 2 3 pattern = re.compile(r'\d+') # 用於匹配至少一個數字 4 5 str = 'abc123def456' 6 7 p = pattern.findall(str) # 返回一個列表物件 8 print(p) # ['123', '456'] 9 10 p = pattern.findall(str, 1, 3) # 返回一個列表物件 11 print(p) # []
finditer 方法
finditer 方法的行為跟 findall 的行為類似,也是搜尋整個字串,獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果(Match 物件)的迭代器。
1 import re 2 3 pattern = re.compile(r'\d+') # 用於匹配至少一個數字 4 5 str = 'abc123def456' 6 7 p = pattern.finditer(str) # 返回一個 Match 物件 8 print(p) # <callable_iterator object at 0x1054eb400> 9 10 p = pattern.finditer(str, 1, 3) # 返回一個 Match 物件 11 print(p) # <callable_iterator object at 0x10552e358>
在實際中我們很少應用 finditer 方法,因為我們還需要對獲取的 Match 物件進行進一步處理,如迴圈,group() 等來獲取直觀資料。
split 方法
split 方法按照能夠匹配的子串將字串分割後返回列表,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit 用於指定最大分割次數,不指定將全部分割。
1 import re 2 3 pattern = re.compile(r'[\s\,\;]+') # 匹配至少一個空格和 ; 4 5 str = 'a,b;; c d' 6 7 p = pattern.split(str) 8 print(p) # ['a', 'b', 'c', 'd']
sub 方法
sub 方法用於替換。它的使用形式如下:
sub(repl, string[, count])
其中,repl 可以是字串也可以是一個函式:
-
如果 repl 是字串,則會使用 repl 去替換字串每一個匹配的子串,並返回替換後的字串,另外,repl 還可以使用 id 的形式來引用分組,但不能使用編號 0;
-
如果 repl 是函式,這個方法應當只接受一個引數(Match 物件),並返回一個字串用於替換(返回的字串中不能再引用分組)。
- count 用於指定最多替換次數,不指定時全部替換。
1 import re 2 3 pattern = re.compile(r'(\w+) (\w+)', re.I) # \w = [A-Za-z0-9] 4 5 str = 'Hello 123, hello 456' 6 7 p = pattern.sub(r'hello World', str) # 使用 'hello World' 替換 'Hello 123' 和 'hello 456' 8 print(p) # hello World, hello World 9 10 p = pattern.sub(r'hello World', str, 1) # 使用 'hello World' 替換 'Hello 123', 1 表示最多替換一次 11 print(p) # hello World, hello 456