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!'
執行結果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: