好程式設計師Python培訓分享python中爬蟲常用到的正規表示式

　　 好程式設計師 Python 培訓 分享python 中爬蟲常用到的正規表示式 ， 正規表示式與爬蟲：

　　爬蟲四個主要步驟：

　　• 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 )

　　那麼在文字過濾這塊最強大的就是正規表示式，更是python 爬蟲世界必不可少利器。

　　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 ”);

　　• 透過正規表示式，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：

　　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

　　• 透過 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：

　　import re

　　# 將正規表示式編譯成 Pattern 物件

　　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 。

　　>>> import re

　　>>> pattern = re.compile(r'\d+') # 用於匹配至少一個數字

　　>>> m = pattern.match(' okk12hellohai34fine') # 查詢頭部，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 Match 物件

　　<_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)) 。

　　再看看一個例子：

　　>>> 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 Match 物件

　　<_sre.SRE_Match object at 0x10bea83e8>

　　>>> m.group(0) # 返回匹配成功的整個子串

　　'Hello World'

　　>>> m.span(0) # 返回匹配成功的整個子串的索引

　　(0, 11)

　　>>> m.group(1) # 返回第一個分組匹配成功的子串

　　'Hello'

　　>>> m.span(1) # 返回第一個分組匹配成功的子串的索引

　　(0, 5)

　　>>> m.group(2) # 返回第二個分組匹配成功的子串

　　'World'

　　>>> m.span(2) # 返回第二個分組匹配成功的子串

　　(6, 11)

　　>>> m.groups() # 等價於 (m.group(1), m.group(2), ...)

　　('Hello', 'World')

　　>>> m.group(3) # 不存在第三個分組

　　Traceback (most recent call last):

File "", line 1, in

　　IndexError: no such group

　　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 。

　　讓我們看看例子：

　　>>> import re

　　>>> pattern = re.compile('\d+')

　　>>> m = pattern.search(' okk12hellohai34fine ') # 這裡如果使用 match

方法則不匹配

　　>>> m

　　<_sre.SRE_Match object at 0x10cc03ac0>

　　>>> m.group()

　　'12'

　　>>> m = pattern.search(' okk12hellohai34fine ', 10, 30) #

指定字串區間

　　>>> m

　　<_sre.SRE_Match object at 0x10cc03b28>

　　>>> m.group()

　　'34'

　　>>> m.span()

　　(13, 15)

　　再來看一個例子：

　　import re

　　# 將正規表示式編譯成 Pattern 物件

　　pattern = re.compile(r'\d+')

　　# 使用 search() 查詢匹配的子串，不存在匹配的子串時將返回 None

　　# 這裡使用 match() 無法成功匹配

　　m = pattern.search('hello 123456 789')

　　if m:

　　# 使用 Match 獲得分組資訊

　　print 'matching string:',m.group()

　　# 起始位置和結束位置

　　print 'position:',m.span()

　　執行結果：

　　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。

　　看看例子：

　　import re

　　pattern = re.compile(r'\d+') # 查詢數字

　　result1 = pattern.findall('hello 123456 789')

　　result2 = pattern.findall('one1two2three3four4', 0, 10)

　　print result1

　　print result2

　　執行結果：

　　['123456', '789']

　　['1', '2']

　　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。

　　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。

　　看看例子：

　　import re

　　p = re.compile(r'[\s\,\;]+')

　　print p.split('a,b;; c d')

　　執行結果：

　　['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。

　　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

　　執行結果：

　　hello world, hello world

　　123 hello, 456 hello

　　hi 123, hi 456

　　hi 123, hello 456