Python 爬蟲從入門到進階之路（八）
在之前的文章中我們介紹了一下 requests 模組，今天我們再來看一下 Python 爬蟲中的正則表達的使用和 re 模組。
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資料)
- 處理資料（按照我們想要的方式儲存和使用）
我們在之前寫的爬蟲程式中，都只是獲取到了頁面的全部內容，也就是隻進行到了第2步，但是大部分的東西是我們不關心的，因此我們需要將之按我們的需要過濾和匹配出來。這時候我們就需要用到了正則表示式。
什麼是正則表示式
正則表示式，又稱規則表示式，通常被用來檢索、替換那些符合某個模式(規則)的文字。
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。
給定一個正則表示式和另一個字串，我們可以達到如下的目的：
- 給定的字串是否符合正則表示式的過濾邏輯（“匹配”）；
- 通過正則表示式，從文字字串中獲取我們想要的特定部分（“過濾”）。
正則表示式匹配規則
Python 的 re 模組
在 Python 中，我們可以使用內建的 re 模組來使用正則表示式。
有一點需要特別注意的是，正則表示式使用 對特殊字元進行轉義，所以如果我們要使用原始字串，只需加一個 r 字首，如下：
r'python\t\.\tpython'
re 模組的一般使用步驟如下：
-
使用
compile()函式將正則表示式的字串形式編譯為一個Pattern物件 -
通過
Pattern物件提供的一系列方法對文字進行匹配查詢，獲得匹配結果，一個 Match 物件。 - 最後使用
Match物件提供的屬性和方法獲得資訊，根據需要進行其他的操作
compile 函式
compile 函式用於編譯正則表示式，生成一個 Pattern 物件，它的一般使用形式如下：
1 import re 2 3 # 將正則表示式編譯成 Pattern 物件 4 pattern = re.compile(r'\d+')
在上面，我們已將一個正則表示式編譯成 Pattern 物件，接下來，我們就可以利用 pattern 的一系列方法對文字進行匹配查找了。
Pattern 物件的一些常用方法主要有：
- match 方法：從起始位置開始查詢，一次匹配
- search 方法：從任何位置開始查詢，一次匹配
- findall 方法：全部匹配，返回列表
- finditer 方法：全部匹配，返回迭代器
- split 方法：分割字串，返回列表
- sub 方法：替換
match 方法
match 方法用於查詢字串的頭部（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，而不是查詢所有匹配的結果。它的一般使用形式如下：
match(string[, pos[, endpos]])
其中，string 是待匹配的字串，pos 和 endpos 是可選引數，指定字串的起始和終點位置，預設值分別是 0 和 len (字串長度)。因此，當你不指定 pos 和 endpos 時，match 方法預設匹配字串的頭部。
當匹配成功時，返回一個 Match 物件，如果沒有匹配上，則返回 None。
1 import re 2 3 pattern = re.compile(r'\d+') # 用於匹配至少一個數字 4 5 str = 'abc123def456' 6 7 p = pattern.match(str) # 查詢頭部，沒有匹配 8 print(p) # None 9 10 p = pattern.match(str, 2, 9) # 從'c'的位置開始匹配，沒有匹配 11 print(p) # None 12 13 p = pattern.match(str, 3, 9) # 從'4'的位置開始匹配，正好匹配, 返回一個 Match 物件 14 print(p) # <re.Match object; span=(3, 6), match='123'> 15 16 p = p.group(0) # 可省略 0 17 print(p) # 123 18 19 p = p.start(0) # 可省略 0 20 print(p) # 3 21 22 p = p.end(0) # 可省略 0 23 print(p) # 6 24 25 p = p.span(0) # 可省略 0 26 print(p) # (3, 6)
在上面，當匹配成功時返回一個 Match 物件，其中：
-
group([group1, …]) 方法用於獲得一個或多個分組匹配的字串，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串中的起始位置（子串第一個字元的索引），引數預設值為 0；
- end([group]) 方法用於獲取分組匹配的子串在整個字串中的結束位置（子串最後一個字元的索引+1），引數預設值為 0；
- span([group]) 方法返回 (start(group), end(group))。
我們再來看一下具體用法：
1 import re
2
3 pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # 用於匹配至少一個字母, re.I 表示忽略大小寫
4
5 str = 'Hello world hello Python'
6
7 p = pattern.match(str) # 查詢頭部，匹配成功，返回一個 Match 物件
8 print(p) # <re.Match object; span=(0, 11), match='Hello world'>
9
10 p = p.group(0) # 返回匹配成功的整個子串
11 print(p) # Hello world
12
13 p = p.group(1) # 返回第一個分組匹配成功的子串
14 print(p) # Hello
15 p = p.group(2) # 返回第二個分組匹配成功的子串
16 print(p) # world
17 p = p.group(3) # 不存在第三個分組
18 print(p) # IndexError: no such group
19
20 p = p.span(0) # 返回匹配成功的整個子串的索引
21 print(p) # (0, 11)
22 p = p.span(1) # 返回第一個分組匹配成功的子串的索引
23 print(p) # (0, 5)
24 p = p.span(2) # 返回第二個分組匹配成功的子串的索引
25 print(p) # (6, 11)
26 p = p.span(3) # 不存在第三個分組
27 print(p) # IndexError: no such group
28
29 p = p.start(0) # 返回匹配成功的整個子串的開始下標
30 print(p) # 0
31 p = p.end(0) # 返回匹配成功的整個子串的結束下標
32 print(p) # 11
33 p = p.start(1) # 返回第一個分組匹配成功的子串的開始下標
34 print(p) # 0
35 p = p.end(1) # 返回第一個分組匹配成功的子串的結束下標
36 print(p) # 5
37 p = p.start(2) # 返回第二個分組匹配成功的子串的開始下標
38 print(p) # 6
39 p = p.end(2) # 返回第二個分組匹配成功的子串的結束下標
40 print(p) # 11
41 p = p.start(3) # 返回第三個分組匹配成功的子串的開始下標
42 print(p) # IndexError: no such group
43 p = p.end(3) # 返回第三個分組匹配成功的子串的結束下標
44 print(p) # IndexError: no such group
45
46 p = p.groups() # 等價於 (m.group(1), m.group(2), ...)
47 print(p) # ('Hello', 'world')
search 方法
search 方法用於查詢字串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查詢所有匹配的結果，它的一般使用形式如下：
search(string[, pos[, endpos]])
其中，string 是待匹配的字串，pos 和 endpos 是可選引數，指定字串的起始和終點位置，預設值分別是 0 和 len (字串長度)。
當匹配成功時，返回一個 Match 物件，如果沒有匹配上，則返回 None。
1 import re 2 3 pattern = re.compile(r'\d+') # 用於匹配至少一個數字 4 5 str = 'abc123def456' 6 7 p = pattern.search(str) # 查詢頭部，匹配成功，返回一個 Match 物件 8 print(p) # <re.Match object; span=(3, 6), match='123'> 9 10 p = pattern.search(str, 1, 3) # 指定區間, 匹配失敗，返回一個 None 11 print(p) # None 12 13 p = pattern.search(str, 8, 10) # 指定區間, 匹配成功，返回一個 Match 物件 14 print(p) # <re.Match object; span=(9, 10), match='4'>
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，我們需要搜尋整個字串，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 是待匹配的字串，pos 和 endpos 是可選引數，指定字串的起始和終點位置，預設值分別是 0 和 len (字串長度)。
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。
1 import re 2 3 pattern = re.compile(r'\d+') # 用於匹配至少一個數字 4 5 str = 'abc123def456' 6 7 p = pattern.findall(str) # 返回一個列表物件 8 print(p) # ['123', '456'] 9 10 p = pattern.findall(str, 1, 3) # 返回一個列表物件 11 print(p) # []
finditer 方法
finditer 方法的行為跟 findall 的行為類似，也是搜尋整個字串，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 物件）的迭代器。
1 import re 2 3 pattern = re.compile(r'\d+') # 用於匹配至少一個數字 4 5 str = 'abc123def456' 6 7 p = pattern.finditer(str) # 返回一個 Match 物件 8 print(p) # <callable_iterator object at 0x1054eb400> 9 10 p = pattern.finditer(str, 1, 3) # 返回一個 Match 物件 11 print(p) # <callable_iterator object at 0x10552e358>
在實際中我們很少應用 finditer 方法，因為我們還需要對獲取的 Match 物件進行進一步處理，如迴圈，group() 等來獲取直觀資料。
split 方法
split 方法按照能夠匹配的子串將字串分割後返回列表，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。
1 import re 2 3 pattern = re.compile(r'[\s\,\;]+') # 匹配至少一個空格和 ; 4 5 str = 'a,b;; c d' 6 7 p = pattern.split(str) 8 print(p) # ['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 可以是字串也可以是一個函式：
-
如果 repl 是字串，則會使用 repl 去替換字串每一個匹配的子串，並返回替換後的字串，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 是函式，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。
1 import re 2 3 pattern = re.compile(r'(\w+) (\w+)', re.I) # \w = [A-Za-z0-9] 4 5 str = 'Hello 123, hello 456' 6 7 p = pattern.sub(r'hello World', str) # 使用 'hello World' 替換 'Hello 123' 和 'hello 456' 8 print(p) # hello World, hello World 9 10 p = pattern.sub(r'hello World', str, 1) # 使用 'hello World' 替換 'Hello 123', 1 表示最多替換一次 11 print(p) # hello World, hello 456
&n