python爬蟲第五篇--正則表示式
阿新 • • 發佈：2018-11-30
Re模組正則表示式
概念
- 正則表示式是對字串串操作的⼀一種邏輯公式，就是⽤用事先定義好的⼀一些特定
字元、及這些特定字元的組合，組成⼀一個“規則字串串”，這個“規則字串串”⽤用
來表達對字串串的⼀一種過濾邏輯 - 非python獨有，re模組實現
- re.match
- re.search
- re.findall
- re.sub
- re.compile
- 正則表示式線上工具：http://tool.oschina.net/regex
Re常用匹配模式
| 模式 | 描述 |
|---|---|
| \w | 匹配字母數字及下劃線 |
| \W | 匹配非字母數字下劃線 |
| \s | 匹配任意空白字元，等價於 [\t\n\r\f] |
| \S | 匹配任意非空字元 |
| \d | 匹配任意數字，等價於 [0-9] |
| \D | 匹配任意非數字 |
| \A | 匹配字串開始 |
| \Z | 匹配字串結束，如果是存在換行，只匹配到換行前的結束字串 |
| \z | 匹配字串結束 |
| \G | 匹配最後匹配完成的位置 |
| \n | 匹配一個換行符 |
| \t | 匹配一個製表符 |
| ^ | 匹配字串的開頭 |
| $ | 匹配字串的末尾 |
| . | 匹配任意字元，除了換行符，當re.DOTALL標記被指定時，則可以匹配包括換行符的任意字元 |
| […] | 用來表示一組字元,單獨列出：[amk] 匹配 ‘a’，‘m’或’k’ |
| [^…] | 不在[]中的字元：[^abc] 匹配除了a,b,c之外的字元。 |
| * | 匹配0個或多個的表示式 |
| + | 匹配1個或多個的表示式 |
| ? | 匹配0個或1個由前面的正則表示式定義的片段，非貪婪方式 |
| {n} | 精確匹配n個前面表示式 |
| {n, m} | 匹配 n 到 m 次由前面的正則表示式定義的片段，貪婪方式 |
| a|b | 匹配a或b |
| ( ) | 匹配括號內的表示式，也表示一個組 |
Re模組例項
re.match：re.match(pattern, string, flags=0)
- re.match 嘗試從字串的起始位置匹配一個模式，如果不是起始位置匹配成功的話，match()就返回none
常規匹配
import re
content = 'Hello 123 4567 World_This is a Regex Demo'
print(len(content))
result = re.match('^Hello\s\d\d\d\s\d{4}\s\w{10}.*Demo$', content)
print(result)
print(result.group())#返回匹配結果
print(result.span())#返回匹配結果範圍
泛匹配
import re
content = 'Hello 123 4567 World_This is a Regex Demo'
result = re.match('^Hello.*Demo$', content)
print(result)
print(result.group())
print(result.span())
匹配目標
import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^Hello\s(\d+)\sWorld.*Demo$', content)
print(result)
print(result.group(1))#group(1)分離匹配結果，1表示匹配到的第一個括號內的資料，這裡是1234567
print(result.span())
貪婪匹配
import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*(\d+).*Demo$', content)#.*會盡可能多的匹配字元
print(result)
print(result.group(1))
非貪婪匹配
import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*?(\d+).*Demo$', content)#.*?會盡可能少的匹配字元
print(result)
print(result.group(1))
匹配模式
import re
content = '''Hello 1234567 World_This
is a Regex Demo
'''
result = re.match('^He.*?(\d+).*?Demo$', content, re.S)#re.S匹配任意字元模式
print(result.group(1))
轉義
import re
content = 'price is $5.00'
result = re.match('price is $5.00', content)
print(result)
import re
content = 'price is $5.00'
result = re.match('price is \$5\.00', content)
print(result)
儘量使用泛匹配、使用括號得到匹配目標、儘量使用非貪婪模式、有換行符就用re.S
- re.search
re.search 掃描整個字串並返回第一個成功的匹配
import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
result = re.match('Hello.*?(\d+).*?Demo', content)
print(result)
import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
result = re.search('Hello.*?(\d+).*?Demo', content)
print(result)
print(result.group(1))
為匹配方便，能用search就不用match
import re
html = '''<div id="songs-list">
<h2 class="title">經典老歌</h2>
<p class="introduction">
經典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任賢齊">滄海一聲笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齊秦">往事隨風</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光輝歲月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陳慧琳">記事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="鄧麗君"><i class="fa fa-user"></i>但願人長久</a>
</li>
</ul>
</div>'''
result = re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>', html, re.S)
if result:
print(result.group(1), result.group(2))
result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html, re.S)
if result:
print(result.group(1), result.group(2))
result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html)
if result:
print(result.group(1), result.group(2))
-
re.findall
搜尋字串，以列表形式返回全部能匹配的子串
import re
html = '''<div id="songs-list">
<h2 class="title">經典老歌</h2>
<p class="introduction">
經典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任賢齊">滄海一聲笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齊秦">往事隨風</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光輝歲月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陳慧琳">記事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="鄧麗君">但願人長久</a>
</li>
</ul>
</div>'''
results = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S)
print(results)
print(type(results))
for result in results:
print(result)
print(result[0], result[1], result[2])
results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>', html, re.S)
print(results)
for result in results:
print(result[1])
-
re.sub
替換字串中每一個匹配的子串後返回替換後的字串
import re content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings' content = re.sub('\d+', '', content) print(content)import re content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings' content = re.sub('(\d+)', r'\1 8910', content) print(content) #Extra stings Hello 1234567 8910 World_This is a Regex Demo Extra stingsimport re html = '''<div id="songs-list"> <h2 class="title">經典老歌</h2> <p class="introduction"> 經典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任賢齊">滄海一聲笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齊秦">往事隨風</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光輝歲月</a></li> <li data-view="5"><a href="/5.mp3" singer="陳慧琳">記事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="鄧麗君">但願人長久</a> </li> </ul> </div>''' html = re.sub('<a.*?>|</a>', '', html) print(html) results = re.findall('<li.*?>(.*?)</li>', html, re.S) print(results) for result in results: print(result.strip()) -
re.compile
將正則字串編譯成正則表示式物件，以便於複用該匹配模式
import re
content = '''Hello 1234567 World_This
is a Regex Demo'''
pattern = re.compile('Hello.*Demo', re.S)
result = re.match(pattern, content)
#result = re.match('Hello.*Demo', content, re.S)
print(result)
綜合例項
- 爬取豆瓣讀書首頁書籍資訊
import requests
import re
content = requests.get('https://book.douban.com/').text
pattern = re.compile('<li.*?title=.*?href="(.*?)".*?title="(.*?)".*?more-meta.*?author">\n(.*?)\n.*?year">\n(.*?)\n.*?</li>', re.S)
results = re.findall(pattern, content)
for result in results:
url, name, author, year = result
author = re.sub('\s', '', author)
year = re.sub('\s', '', year)
print(url, name, author, year)