Python爬虫入门六之正则表达式

　　在前面我们已经搞定了怎样获取页面的内容，不过还差一步，这么多杂乱的代码夹杂文字我们怎样把它提取出来整理呢？下面就开始介绍一个十分强大的工具，正则表达式！ 1. 了解正则表达式
　　正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个 ＂规则字符串＂，这个 ＂规则字符串＂ 用来表达对字符串的一种过滤逻辑。
　　正则表达式是用来匹配字符串非常强大的工具，在其他编程语言中同样有正则表达式的概念，Python 同样不例外，利用了正则表达式，我们想要从返回的页面内容提取出我们想要的内容就易如反掌了。
　　正则表达式的大致匹配过程是： 1. 依次拿出表达式和文本中的字符比较， 2. 如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。 3. 如果表达式中有量词或边界，这个过程会稍微有一些不同。2. 正则表达式的语法规则
　　下面是 Python 中正则表达式的一些匹配规则，图片资料来自 CSDN
　　3. 正则表达式相关注解（1）数量词的贪婪模式与非贪婪模式
　　正则表达式通常用于在文本中查找匹配的字符串。Python 里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式＂ab ＂如果用于查找＂ abbbc＂，将找到＂abbb＂。而如果使用非贪婪的数量词＂ab ?＂，将找到＂a＂。 注：我们一般使用非贪婪模式来提取。 （2）反斜杠问题
　　与大多数编程语言相同，正则表达式里使用＂＂作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符＂＂，那么使用编程语言表示的正则表达式里将需要 4 个反斜杠＂\＂：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。 Python 里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用 r＂＂表示。同样，匹配一个数字的＂d＂ 可以写成 r＂d＂。有了原生字符串，妈妈也不用担心是不是漏写了反斜杠，写出来的表达式也更直观勒。 4.Python Re 模块
　　Python 自带了 re 模块，它提供了对正则表达式的支持。主要用到的方法列举如下 #返回pattern对象 re.compile(string[,flag])   #以下为匹配所用函数 re.match(pattern, string[, flags]) re.search(pattern, string[, flags]) re.split(pattern, string[, maxsplit]) re.findall(pattern, string[, flags]) re.finditer(pattern, string[, flags]) re.sub(pattern, repl, string[, count]) re.subn(pattern, repl, string[, count])
　　在介绍这几个方法之前，我们先来介绍一下 pattern 的概念，pattern 可以理解为一个匹配模式，那么我们怎么获得这个匹配模式呢？很简单，我们需要利用 re.compile 方法就可以。例如 pattern = re.compile(r＂hello＂)
　　在参数中我们传入了原生字符串对象，通过 compile 方法编译生成一个 pattern 对象，然后我们利用这个对象来进行进一步的匹配。 另外大家可能注意到了另一个参数 flags，在这里解释一下这个参数的含义： 参数 flag 是匹配模式，取值可以使用按位或运算符’|’表示同时生效，比如 re.I | re.M。 可选值有： • re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同） • re.M(全拼：MULTILINE): 多行模式，改变＂^＂和＂#39;的行为（参见上图） • re.S(全拼：DOTALL): 点任意匹配模式，改变＂.＂的行为 • re.L(全拼：LOCALE): 使预定字符类 w W b B s S 取决于当前区域设定 • re.U(全拼：UNICODE): 使预定字符类 w W b B s S d D 取决于unicode定义的字符属性 • re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。
　　在刚才所说的另外几个方法例如 re.match 里我们就需要用到这个 pattern 了，下面我们一一介绍。
　　注：以下七个方法中的 flags 同样是代表匹配模式的意思，如果在 pattern 生成时已经指明了 flags，那么在下面的方法中就不需要传入这个参数了。（1）re.match(pattern, string[, flags])
　　这个方法将会从 string（我们要匹配的字符串）的开头开始，尝试匹配 pattern，一直向后匹配，如果遇到无法匹配的字符，立即返回 None，如果匹配未结束已经到达 string 的末尾，也会返回 None。两个结果均表示匹配失败，否则匹配 pattern 成功，同时匹配终止，不再对 string 向后匹配。下面我们通过一个例子理解一下 __author__ = ＂CQC＂ # -*- coding: utf-8 -*-  #导入re模块 import re  # 将正则表达式编译成Pattern对象，注意hello前面的r的意思是＂原生字符串＂ pattern = re.compile(r＂hello＂)  # 使用re.match匹配文本，获得匹配结果，无法匹配时将返回None result1 = re.match(pattern,＂hello＂) result2 = re.match(pattern,＂helloo CQC!＂) result3 = re.match(pattern,＂helo CQC!＂) result4 = re.match(pattern,＂hello CQC!＂)  #如果1匹配成功 if result1:     # 使用Match获得分组信息     print result1.group() else:     print ＂1匹配失败！＂   #如果2匹配成功 if result2:     # 使用Match获得分组信息     print result2.group() else:     print ＂2匹配失败！＂   #如果3匹配成功 if result3:     # 使用Match获得分组信息     print result3.group() else:     print ＂3匹配失败！＂  #如果4匹配成功 if result4:     # 使用Match获得分组信息     print result4.group() else:     print ＂4匹配失败！＂
　　运行结果 hello hello 3匹配失败！ hello
　　匹配分析 1. 第一个匹配，pattern 正则表达式为’hello’，我们匹配的目标字符串 string 也为 hello，从头至尾完全匹配，匹配成功。 2. 第二个匹配，string 为 helloo CQC，从 string 头开始匹配 pattern 完全可以匹配，pattern 匹配结束，同时匹配终止，后面的 o CQC 不再匹配，返回匹配成功的信息。 3. 第三个匹配，string 为 helo CQC，从 string 头开始匹配 pattern，发现到 ‘o’ 时无法完成匹配，匹配终止，返回 None 4. 第四个匹配，同第二个匹配原理，即使遇到了空格符也不会受影响。 我们还看到最后打印出了 result.group ()，这个是什么意思呢？下面我们说一下关于 match 对象的的属性和方法 Match 对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用 Match 提供的可读属性或方法来获取这些信息。
　　属性： 1.string: 匹配时使用的文本。 2.re: 匹配时使用的 Pattern 对象。 3.pos: 文本中正则表达式开始搜索的索引。值与 Pattern.match () 和 Pattern.seach () 方法的同名参数相同。 4.endpos: 文本中正则表达式结束搜索的索引。值与 Pattern.match () 和 Pattern.seach () 方法的同名参数相同。 5.lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为 None。 6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为 None。 方法： 1.group ([group1, …]): 获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1 可以使用编号也可以使用别名；编号 0 代表整个匹配的子串；不填写参数时，返回 group (0)；没有截获字符串的组返回 None；截获了多次的组返回最后一次截获的子串。 2.groups ([default]): 以元组形式返回全部分组截获的字符串。相当于调用 group (1,2,…last)。default 表示没有截获字符串的组以这个值替代，默认为 None。 3.groupdict ([default]): 返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default 含义同上。 4.start ([group]): 返回指定的组截获的子串在 string 中的起始索引（子串第一个字符的索引）。group 默认值为 0。 5.end ([group]): 返回指定的组截获的子串在 string 中的结束索引（子串最后一个字符的索引 + 1）。group 默认值为 0。 6.span ([group]): 返回 (start (group), end (group))。 7.expand (template): 将匹配到的分组代入 template 中然后返回。template 中可以使用 id 或 g、g 引用分组，但不能使用编号 0。id 与 g 是等价的；但 10 将被认为是第 10 个分组，如果你想表达 1 之后是字符’0’，只能使用 g0。
　　下面我们用一个例子来体会一下 # -*- coding: utf-8 -*- #一个简单的match实例  import re # 匹配如下内容：单词+空格+单词+任意字符 m = re.match(r＂(w+) (w+)(?P.*)＂, ＂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 gg＂):＂, m.expand(r＂2 13＂)   ### output ### # m.string: hello world! # m.re:  # 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 13＂): world hello!（2）re.search(pattern, string[, flags])
　　search 方法与 match 方法极其类似，区别在于 match () 函数只检测 re 是不是在 string 的开始位置匹配，search () 会扫描整个 string 查找匹配，match（）只有在 0 位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match () 就返回 None。同样，search 方法的返回对象同样 match () 返回对象的方法和属性。我们用一个例子感受一下 #导入re模块 import re  # 将正则表达式编译成Pattern对象 pattern = re.compile(r＂world＂) # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None # 这个例子中使用match()无法成功匹配 match = re.search(pattern,＂hello world!＂) if match:     # 使用Match获得分组信息     print match.group() ### 输出 ### # world（3）re.split(pattern, string[, maxsplit])
　　按照能够匹配的子串将 string 分割后返回列表。maxsplit 用于指定最大分割次数，不指定将全部分割。我们通过下面的例子感受一下。 import re  pattern = re.compile(r＂d+＂) print re.split(pattern,＂one1two2three3four4＂)  ### 输出 ### # [＂one＂, ＂two＂, ＂three＂, ＂four＂, ＂＂]（4）re.findall(pattern, string[, flags])
　　搜索 string，以列表形式返回全部能匹配的子串。我们通过这个例子来感受一下 import re  pattern = re.compile(r＂d+＂) print re.findall(pattern,＂one1two2three3four4＂)  ### 输出 ### # [＂1＂, ＂2＂, ＂3＂, ＂4＂]（5）re.finditer(pattern, string[, flags])
　　搜索 string，返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。我们通过下面的例子来感受一下 import re  pattern = re.compile(r＂d+＂) for m in re.finditer(pattern,＂one1two2three3four4＂):     print m.group(),  ### 输出 ### # 1 2 3 4（6）re.sub(pattern, repl, string[, count])
　　使用 repl 替换 string 中每一个匹配的子串后返回替换后的字符串。 当 repl 是一个字符串时，可以使用 id 或 g、g 引用分组，但不能使用编号 0。 当 repl 是一个方法时，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 count 用于指定最多替换次数，不指定时全部替换。 import re  pattern = re.compile(r＂(w+) (w+)＂) s = ＂i say, hello world!＂  print re.sub(pattern,r＂2 1＂, s)  def func(m):     return m.group(1).title() + ＂ ＂ + m.group(2).title()  print re.sub(pattern,func, s)  ### output ### # say i, world hello! # I Say, Hello World!（7）re.subn(pattern, repl, string[, count])
　　返回 (sub (repl, string [, count]), 替换次数)。 import re   pattern = re.compile(r＂(w+) (w+)＂) s = ＂i say, hello world!＂   print re.subn(pattern,r＂2 1＂, s)   def func(m):     return m.group(1).title() + ＂ ＂ + m.group(2).title()   print re.subn(pattern,func, s)   ### output ### # (＂say i, world hello!＂, 2) # (＂I Say, Hello World!＂, 2)5.Python Re 模块的另一种使用方式
　　在上面我们介绍了 7 个工具方法，例如 match，search 等等，不过调用方式都是 re.match，re.search 的方式，其实还有另外一种调用方式，可以通过 pattern.match，pattern.search 调用，这样调用便不用将 pattern 作为第一个参数传入了，大家想怎样调用皆可。 函数 API 列表 match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]) search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]) split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]) findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]) finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]) sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]) subn(repl, string[, count]) |re.sub(pattern, repl, string[, count])
　　具体的调用方法不必详说了，原理都类似，只是参数的变化不同。小伙伴们尝试一下吧～小伙伴们加油哦！