Python爬蟲四（正則表示式）
1.瞭解正則表示式
正則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。
正則表示式是用來匹配字串非常強大的工具，在其他程式語言中同樣有正則表示式的概念，Python同樣不例外，利用了正則表示式，我們想要從返回的頁面內容提取出我們想要的內容就易如反掌了。
正則表示式的大致匹配過程是：
1.依次拿出表示式和文字中的字元比較，
2.如果每一個字元都能匹配，則匹配成功；一旦有匹配不成功的字元則匹配失敗。
3.如果表示式中有量詞或邊界，這個過程會稍微有一些不同。
2.正則表示式的語法規則
下面是Python中正則表示式的一些匹配規則，圖片資料來自CSDN
3.正則表示式相關注解
（1）數量詞的貪婪模式與非貪婪模式
正則表示式通常用於在文字中查詢匹配的字串。Python裡數量詞預設是貪婪的（在少數語言裡也可能是預設非貪婪），總是嘗試匹配儘可能多的字元；非貪婪的則相反，總是嘗試匹配儘可能少的字元。例如：正則表示式”ab*”如果用於查詢”abbbc”，將找到”abbb”。而如果使用非貪婪的數量詞”ab*?”，將找到”a”。
注：我們一般使用非貪婪模式來提取。
（2）反斜槓問題
與大多數程式語言相同，正則表示式裡使用”\”作為轉義字元，這就可能造成反斜槓困擾。假如你需要匹配文字中的字元”\”，那麼使用程式語言表示的正則表示式裡將需要4個反斜槓”\\\\”：前兩個和後兩個分別用於在程式語言裡轉義成反斜槓，轉換成兩個反斜槓後再在正則表示式裡轉義成一個反斜槓。
Python裡的原生字串很好地解決了這個問題，這個例子中的正則表示式可以使用r”\\”表示。同樣，匹配一個數字的”\\d”可以寫成r”\d”。有了原生字串，媽媽也不用擔心是不是漏寫了反斜槓，寫出來的表示式也更直觀勒。
4.Python Re模組
Python 自帶了re模組，它提供了對正則表示式的支援。主要用到的方法列舉如下
在介紹這幾個方法之前，我們先來介紹一下pattern的概念，pattern可以理解為一個匹配模式，那麼我們怎麼獲得這個匹配模式呢？很簡單，我們需要利用re.compile方法就可以。例如#返回pattern物件 re.compile(string[,flag]) #以下為匹配所用函式 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])
pattern = re.compile(r'hello')在引數中我們傳入了原生字串物件，通過compile方法編譯生成一個pattern物件，然後我們利用這個物件來進行進一步的匹配。
另外大家可能注意到了另一個引數 flags，在這裡解釋一下這個引數的含義：
引數flag是匹配模式，取值可以使用按位或運算子’|’表示同時生效，比如re.I | re.M。
可選值有：
• re.I(全拼：IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
• re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
• re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行為
• re.L(全拼：LOCALE): 使預定字元類 \w \W \b \B \s \S 取決於當前區域設定
• re.U(全拼：UNICODE): 使預定字元類 \w \W \b \B \s \S \d \D 取決於unicode定義的字元屬性
• re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表示式可以是多行，忽略空白字元，並可以加入註釋。在剛才所說的另外幾個方法例如 re.match 裡我們就需要用到這個pattern了，下面我們一一介紹。
注：以下七個方法中的flags同樣是代表匹配模式的意思，如果在pattern生成時已經指明瞭flags，那麼在下面的方法中就不需要傳入這個引數了。
（1）re.match(pattern, string[, flags])
這個方法將會從string（我們要匹配的字串）的開頭開始，嘗試匹配pattern，一直向後匹配，如果遇到無法匹配的字元，立即返回None，如果匹配未結束已經到達string的末尾，也會返回None。兩個結果均表示匹配失敗，否則匹配pattern成功，同時匹配終止，不再對string向後匹配。下面我們通過一個例子理解一下
__author__ = 'CQC'
# -*- coding: utf-8 -*-
#匯入re模組
import re
# 將正則表示式編譯成Pattern物件，注意hello前面的r的意思是“原生字串”
pattern = re.compile(r'hello')
# 使用re.match匹配文字，獲得匹配結果，無法匹配時將返回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獲得分組資訊
print result1.group()
else:
print '1匹配失敗！'
#如果2匹配成功
if result2:
# 使用Match獲得分組資訊
print result2.group()
else:
print '2匹配失敗！'
#如果3匹配成功
if result3:
# 使用Match獲得分組資訊
print result3.group()
else:
print '3匹配失敗！'
#如果4匹配成功
if result4:
# 使用Match獲得分組資訊
print result4.group()
else:
print '4匹配失敗！'hello
hello
3匹配失敗！
hello匹配分析
1.第一個匹配，pattern正則表示式為’hello’，我們匹配的目標字串string也為hello，從頭至尾完全匹配，匹配成功。
2.第二個匹配，string為helloo CQC，從string頭開始匹配pattern完全可以匹配，pattern匹配結束，同時匹配終止，後面的o CQC不再匹配，返回匹配成功的資訊。
3.第三個匹配，string為helo CQC，從string頭開始匹配pattern，發現到 ‘o’ 時無法完成匹配，匹配終止，返回None
4.第四個匹配，同第二個匹配原理，即使遇到了空格符也不會受影響。
我們還看到最後打印出了result.group()，這個是什麼意思呢？下面我們說一下關於match物件的的屬性和方法
Match物件是一次匹配的結果，包含了很多關於此次匹配的資訊，可以使用Match提供的可讀屬性或方法來獲取這些資訊。
屬性：
1.string: 匹配時使用的文字。
2.re: 匹配時使用的Pattern物件。
3.pos: 文字中正則表示式開始搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
4.endpos: 文字中正則表示式結束搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
5.lastindex: 最後一個被捕獲的分組在文字中的索引。如果沒有被捕獲的分組，將為None。
6.lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。方法：
1.group([group1, …]):
獲得一個或多個分組截獲的字串；指定多個引數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫引數時，返回group(0)；沒有截獲字串的組返回None；截獲了多次的組返回最後一次截獲的子串。
2.groups([default]):
以元組形式返回全部分組截獲的字串。相當於呼叫group(1,2,…last)。default表示沒有截獲字串的組以這個值替代，預設為None。
3.groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
4.start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字元的索引）。group預設值為0。
5.end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最後一個字元的索引+1）。group預設值為0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
將匹配到的分組代入template中然後返回。template中可以使用\id或\g、\g引用分組，但不能使用編號0。\id與\g是等價的；但\10將被認為是第10個分組，如果你想表達\1之後是字元’0’，只能使用\g0。
下面我們用一個例子來體會一下
# -*- coding: utf-8 -*-
#一個簡單的match例項
import re
# 匹配如下內容：單詞+空格+單詞+任意字元
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', '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 \g\g'):", m.expand(r'\2 \1\3')
### 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 \1\3'): world hello!（2）re.search(pattern, string[, flags])
search方法與match方法極其類似，區別在於match()函式只檢測re是不是在string的開始位置匹配，search()會掃描整個string查詢匹配，match（）只有在0位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match()就返回None。同樣，search方法的返回物件同樣match()返回物件的方法和屬性。我們用一個例子感受一下
#匯入re模組
import re
# 將正則表示式編譯成Pattern物件
pattern = re.compile(r'world')
# 使用search()查詢匹配的子串，不存在能匹配的子串時將返回None
# 這個例子中使用match()無法成功匹配
match = re.search(pattern,'hello world!')
if match:
# 使用Match獲得分組資訊
print match.group()
### 輸出 ###
# world（3）re.split(pattern, string[, maxsplit])
按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將全部分割。我們通過下面的例子感受一下。
import re
pattern = re.compile(r'\d+')
print re.split(pattern,'one1two2three3four4')
### 輸出 ###
# ['one', 'two', 'three', 'four', '']（4）re.findall(pattern, string[, flags])
搜尋string，以列表形式返回全部能匹配的子串。我們通過這個例子來感受一下
import re
pattern = re.compile(r'\d+')
print re.findall(pattern,'one1two2three3four4')
### 輸出 ###
# ['1', '2', '3', '4']（5）re.finditer(pattern, string[, flags])
搜尋string，返回一個順序訪問每一個匹配結果（Match物件）的迭代器。我們通過下面的例子來感受一下
import re
pattern = re.compile(r'\d+')
for m in re.finditer(pattern,'one1two2three3four4'):
print m.group(),
### 輸出 ###
# 1 2 3 4（6）re.sub(pattern, repl, string[, count])
使用repl替換string中每一個匹配的子串後返回替換後的字串。
當repl是一個字串時，可以使用\id或\g、\g引用分組，但不能使用編號0。
當repl是一個方法時，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。
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]), 替換次數)。
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模組的另一種使用方式
在上面我們介紹了7個工具方法，例如match，search等等，不過呼叫方式都是 re.match，re.search的方式，其實還有另外一種呼叫方式，可以通過pattern.match，pattern.search呼叫，這樣呼叫便不用將pattern作為第一個引數傳入了，大家想怎樣呼叫皆可。
函式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])示例程式碼：
import re
def func_1():
pattern = re.compile(r'((86|86\+)?\d{11})')
s = "abc86+12345678901abc"
result = re.search(pattern, s)
print(result.groups())
pass
def func_2():
pattern = re.compile(r'((86|86\+)?\d{11})')
s = "abc86+12345678901abc"
result = pattern.search(s)
print(result.groups())
pass
if __name__ == "__main__":
print("this is a test")
func_1()
print('*'* 20)
func_2()執行結果：
