非結構化數據與結構化數據提取---正則表達式re模塊
頁面解析和數據提取
一般來講對我們而言,需要抓取的是某個網站或者某個應用的內容,提取有用的價值。內容一般分為兩部分,非結構化的數據 和 結構化的數據。
- 非結構化數據:先有數據,再有結構,
- 結構化數據:先有結構、再有數據
- 不同類型的數據,我們需要采用不同的方式來處理。
非結構化的數據處理
文本、電話號碼、郵箱地址
- 正則表達式
HTML 文件
- 正則表達式
- XPath
- CSS選擇器
結構化的數據處理
JSON 文件
- JSON Path
- 轉化成Python類型進行操作(json類)
XML 文件
- 轉化成Python類型(xmltodict)
- XPath
- CSS選擇器
- 正則表達式
為什麽要學正則表達式
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索)
- 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數據)
- 處理數據(按照我們想要的方式存儲和使用)
我們在昨天的案例裏實際上省略了第3步,也就是"取"的步驟。因為我們down下了的數據是全部的網頁,這些數據很龐大並且很混亂,大部分的東西使我們不關心的,因此我們需要將之按我們的需要過濾和匹配出來。
那麽對於文本的過濾或者規則的匹配,最強大的就是正則表達式,是Python爬蟲世界裏必不可少的神兵利器。
什麽是正則表達式
正則表達式,又稱規則表達式,通常被用來檢索、替換那些符合某個模式(規則)的文本。
正則表達式是對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“規則字符串”,這個“規則字符串”用來表達對字符串的一種過濾邏輯。
給定一個正則表達式和另一個字符串,我們可以達到如下的目的:
- 給定的字符串是否符合正則表達式的過濾邏輯(“匹配”);
- 通過正則表達式,從文本字符串中獲取我們想要的特定部分(“過濾”)。
正則表達式匹配規則
Python 的 re 模塊
在 Python 中,我們可以使用內置的 re 模塊來使用正則表達式。
有一點需要特別註意的是,正則表達式使用 對特殊字符進行轉義,所以如果我們要使用原始字符串,只需加一個 r 前綴,示例:
r‘chuanzhiboke\t\.\tpython‘
re 模塊的一般使用步驟如下:
-
使用
compile()
函數將正則表達式的字符串形式編譯為一個Pattern
對象 -
通過
Pattern
對象提供的一系列方法對文本進行匹配查找,獲得匹配結果,一個 Match 對象。 - 最後使用
Match
對象提供的屬性和方法獲得信息,根據需要進行其他的操作
compile 函數
compile 函數用於編譯正則表達式,生成一個 Pattern 對象,它的一般使用形式如下:
import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r‘\d+‘)
在上面,我們已將一個正則表達式編譯成 Pattern 對象,接下來,我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。
Pattern 對象的一些常用方法主要有:
- match 方法:從起始位置開始查找,一次匹配
- search 方法:從任何位置開始查找,一次匹配
- findall 方法:全部匹配,返回列表
- finditer 方法:全部匹配,返回叠代器
- split 方法:分割字符串,返回列表
- sub 方法:替換
match 方法
match 方法用於查找字符串的頭部(也可以指定起始位置),它是一次匹配,只要找到了一個匹配的結果就返回,而不是查找所有匹配的結果。它的一般使用形式如下:
match(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可選參數,指定字符串的起始和終點位置,默認值分別是 0 和 len (字符串長度)。因此,當你不指定 pos 和 endpos 時,match 方法默認匹配字符串的頭部。
當匹配成功時,返回一個 Match 對象,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(‘one12twothree34four‘) # 查找頭部,沒有匹配
>>> print m
None
>>> m = pattern.match(‘one12twothree34four‘, 2, 10) # 從‘e‘的位置開始匹配,沒有匹配
>>> print m
None
>>> m = pattern.match(‘one12twothree34four‘, 3, 10) # 從‘1‘的位置開始匹配,正好匹配
>>> print m # 返回一個 Match 對象
<_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,當匹配成功時返回一個 Match 對象,其中:
-
group([group1, …]) 方法用於獲得一個或多個分組匹配的字符串,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符串中的起始位置(子串第一個字符的索引),參數默認值為 0;
- end([group]) 方法用於獲取分組匹配的子串在整個字符串中的結束位置(子串最後一個字符的索引+1),參數默認值為 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 Wide Web‘)
>>> print m # 匹配成功,返回一個 Match 對象
<_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 "<stdin>", line 1, in <module>
IndexError: no such group
------------------------------------------------------------------------------------------------------
search 方法
search 方法用於查找字符串的任何位置,它也是一次匹配,只要找到了一個匹配的結果就返回,而不是查找所有匹配的結果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待匹配的字符串,pos 和 endpos 是可選參數,指定字符串的起始和終點位置,默認值分別是 0 和 len (字符串長度)。
當匹配成功時,返回一個 Match 對象,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(‘one12twothree34four‘) # 這裏如果使用 match 方法則不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
‘12‘
>>> m = pattern.search(‘one12twothree34four‘, 10, 30) # 指定字符串區間
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
‘34‘
>>> m.span()
(13, 15)
再來看一個例子:
# -*- coding: utf-8 -*-
import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r‘\d+‘)
# 使用 search() 查找匹配的子串,不存在匹配的子串時將返回 None
# 這裏使用 match() 無法成功匹配
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,我們需要搜索整個字符串,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 是待匹配的字符串,pos 和 endpos 是可選參數,指定字符串的起始和終點位置,默認值分別是 0 和 len (字符串長度)。
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+‘) # 查找數字
result1 = pattern.findall(‘hello 123456 789‘)
result2 = pattern.findall(‘one1two2three3four4‘, 0, 10)
print result1
print result2
執行結果:
[‘123456‘, ‘789‘]
[‘1‘, ‘2‘]
再先看一個栗子:
# re_test.py
import re
#re模塊提供一個方法叫compile模塊,提供我們輸入一個匹配的規則
#然後返回一個pattern實例,我們根據這個規則去匹配字符串
pattern = re.compile(r‘\d+\.\d*‘)
#通過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
運行結果:
123.141593
3.15
------------------------------------------------------------------------------------------------------
finditer 方法
finditer 方法的行為跟 findall 的行為類似,也是搜索整個字符串,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 對象)的叠代器。
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())
執行結果:
<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 可以是字符串也可以是一個函數:
-
如果 repl 是字符串,則會使用 repl 去替換字符串每一個匹配的子串,並返回替換後的字符串,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 是函數,這個方法應當只接受一個參數(Match 對象),並返回一個字符串用於替換(返回的字符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
------------------------------------------------------------------------------------------------------
匹配中文
在某些情況下,我們想匹配文本中的漢字,有一點需要註意的是,中文的 unicode 編碼範圍 主要在 [u4e00-u9fa5],這裏說主要是因為這個範圍並不完整,比如沒有包括全角(中文)標點,不過,在大部分情況下,應該是夠用的。
假設現在想把字符串 title = u‘你好,hello,世界‘ 中的中文提取出來,可以這麽做:
import re
title = u‘你好,hello,世界‘
pattern = re.compile(ur‘[\u4e00-\u9fa5]+‘)
result = pattern.findall(title)
print result
註意到,我們在正則表達式前面加上了兩個前綴 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。
執行結果:
[u‘\u4f60\u597d‘, u‘\u4e16\u754c‘]
註意:貪婪模式與非貪婪模式
- 貪婪模式:在整個表達式匹配成功的前提下,盡可能多的匹配 ( * );
- 非貪婪模式:在整個表達式匹配成功的前提下,盡可能少的匹配 ( ? );
- Python裏數量詞默認是貪婪的。
示例一 : 源字符串:abbbc
- 使用貪婪的數量詞的正則表達式
ab*
,匹配結果: abbb。*
決定了盡可能多匹配 b,所以a後面所有的 b 都出現了。
- 使用非貪婪的數量詞的正則表達式
ab*?
,匹配結果: a。即使前面有
*
,但是?
決定了盡可能少匹配 b,所以沒有 b。
示例二 : 源字符串:aa<div>test1</div>bb<div>test2</div>cc
-
使用貪婪的數量詞的正則表達式:
<div>.*</div>
-
匹配結果:
<div>test1</div>bb<div>test2</div>
這裏采用的是貪婪模式。在匹配到第一個“
</div>
”時已經可以使整個表達式匹配成功,但是由於采用的是貪婪模式,所以仍然要向右嘗試匹配,查看是否還有更長的可以成功匹配的子串。匹配到第二個“</div>
”後,向右再沒有可以成功匹配的子串,匹配結束,匹配結果為“<div>test1</div>bb<div>test2</div>
”
-
使用非貪婪的數量詞的正則表達式:
<div>.*?</div>
-
匹配結果:
<div>test1</div>
正則表達式二采用的是非貪婪模式,在匹配到第一個“
</div>
”時使整個表達式匹配成功,由於采用的是非貪婪模式,所以結束匹配,不再向右嘗試,匹配結果為“<div>test1</div>
”。
正則表達式測試網址
非結構化數據與結構化數據提取---正則表達式re模塊