Python爬虫开发【第1篇】【正则表达式】

1、正则表达式

　　它是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

2、re模块

2.1、re模块使用步骤：

  1. 使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象
  2. 通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。
  3. 最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

2.2、compile()

　　 compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

import re

# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r‘\d+‘)

Pattern 对象的一些常用方法主要有：

  • match 方法：从起始位置开始查找，一次匹配
  • search 方法：从任何位置开始查找，一次匹配
  • findall 方法：全部匹配，返回列表
  • finditer 方法：全部匹配，返回迭代器
  • split 方法：分割字符串，返回列表
  • sub 方法：替换

2.2.1、match方法：

　　match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。

　　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 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，

　　当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

　　当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。　

例1：

>>> import re
>>> pattern = re.compile(r‘\d+‘) # 用于匹配至少一个数字

>>> m = pattern.match(‘one12twothree34four‘) # 查找头部，没有匹配
>>> print m
None

>>> m = pattern.match(‘one12twothree34four‘, 2, 10) # 从‘e‘的位置开始匹配，没有匹配
>>> print m
None

>>> m = pattern.match(‘one12twothree34four‘, 3, 10) # 从‘1‘的位置开始匹配，正好匹配
>>> print m # 返回一个 Match 对象
<_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)

group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
span([group]) 方法返回 (start(group), end(group))。

例2：>>> import re
>>> pattern = re.compile(r‘([a-z]+) ([a-z]+)‘, re.I)  # re.I 表示忽略大小写
>>> m = pattern.match(‘Hello World Wide Web‘)

>>> print m     # 匹配成功，返回一个 Match 对象
<_sre.SRE_Match object at 0x10bea83e8>

>>> m.group(0)  # 返回匹配成功的整个子串
‘Hello World‘

>>> m.span(0)   # 返回匹配成功的整个子串的索引
(0, 11)

>>> m.group(1)  # 返回第一个分组匹配成功的子串
‘Hello‘

>>> m.span(1)   # 返回第一个分组匹配成功的子串的索引
(0, 5)

>>> m.group(2)  # 返回第二个分组匹配成功的子串
‘World‘

>>> m.span(2)   # 返回第二个分组匹配成功的子串
(6, 11)

>>> m.groups()  # 等价于 (m.group(1), m.group(2), ...)
(‘Hello‘, ‘World‘)

>>> m.group(3)   # 不存在第三个分组
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: no such group

2.2.2、Search方法　　

　　search 方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，

　　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 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

　　当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

例1：
>>> import re
>>> pattern = re.compile(‘\d+‘)
>>> m = pattern.search(‘one12twothree34four‘)  # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
‘12‘
>>> m = pattern.search(‘one12twothree34four‘, 10, 30)  # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
‘34‘
>>> m.span()
(13, 15)

例2：
# -*- coding: utf-8 -*-

import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r‘\d+‘)
# 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None
# 这里使用 match() 无法成功匹配
m = pattern.search(‘hello 123456 789‘)
if m:
    # 使用 Match 获得分组信息
    print ‘matching string:‘,m.group()
    # 起始位置和结束位置
    print ‘position:‘,m.span()
执行结果：

matching string: 123456
position: (6, 12)

2.2.3、findall方法

　　findall可以搜索整个字符串，获得所有匹配的结果。

　　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 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

　　findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

例1：
import re
pattern = re.compile(r‘\d+‘)   # 查找数字

result1 = pattern.findall(‘hello 123456 789‘)
result2 = pattern.findall(‘one1two2three3four4‘, 0, 10)

print result1
print result2
执行结果：

[‘123456‘, ‘789‘]
[‘1‘, ‘2‘]

例2：
# re_test.py

import re

#re模块提供一个方法叫compile模块，提供我们输入一个匹配的规则
#然后返回一个pattern实例，我们根据这个规则去匹配字符串
pattern = re.compile(r‘\d+\.\d*‘)

#通过partten.findall()方法就能够全部匹配到我们得到的字符串
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给result
for item in result:
    print item
运行结果：

123.141593
3.15

2.2.4、finditer方法

　　finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。

# -*- 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 对象
    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())
执行结果：

<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)

2.2.5、spilt方法

　　split 方法按照能够匹配的子串将字符串分割后返回列表，

　　它的使用形式如下：split(string[, maxsplit])

　　其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

import re
p = re.compile(r‘[\s\,\;]+‘)
print p.split(‘a,b;; c   d‘)
执行结果：

[‘a‘, ‘b‘, ‘c‘, ‘d‘]

2.2.6、sub方法

　　sub 方法用于替换。

　　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个函数：

    • 如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；
    • 如果 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
    • count 用于指定最多替换次数，不指定时全部替换。
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‘ 替换 ‘hello 123‘ 和 ‘hello 456‘
print p.sub(r‘\2 \1‘, s)        # 引用分组

def func(m):
    return ‘hi‘ + ‘ ‘ + m.group(2)

print p.sub(func, s)
print p.sub(func, s, 1)         # 最多替换一次
执行结果：

hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456

2.2.7、匹配中文

假设现在想把字符串 title = u‘你好，hello，世界‘ 中的中文提取出来，可以这么做：

import re

title = u‘你好，hello，世界‘
pattern = re.compile(ur‘[\u4e00-\u9fa5]+‘)
result = pattern.findall(title)

print result
正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

执行结果:
[u‘\u4f60\u597d‘, u‘\u4e16\u754c‘]

3、贪婪模式与非贪婪模式

  • 贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；
  • 非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；
  • Python里数量词默认是贪婪的。

例1 ： 源字符串：abbbc

使用贪婪的数量词的正则表达式 ab* ，匹配结果： abbb。
* 决定了尽可能多匹配 b，所以a后面所有的 b 都出现了。

使用非贪婪的数量词的正则表达式ab*?，匹配结果： a。
即使前面有 *，但是 ? 决定了尽可能少匹配 b，所以没有 b。

例2： 源字符串：aa<div>test1</div>bb<div>test2</div>cc

使用贪婪的数量词的正则表达式：<div>.*</div>

匹配结果：<div>test1</div>bb<div>test2</div>

这里采用的是贪婪模式。在匹配到第一个“</div>”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个“</div>”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为“<div>test1</div>bb<div>test2</div>”

4、正则表达式测试网址

　　

原文地址：https://www.cnblogs.com/loser1949/p/9384996.html

时间： 2024-11-09 06:10:03

Python爬虫开发【第1篇】【正则表达式】的相关文章

Python爬虫开发

1. 语法入门 Python教程 2. 爬虫学习系列教程 1)宁哥的小站 https://github.com/lining0806/PythonSpiderNotes 2)Python爬虫开发 3)Python爬虫学习系列教程

记一次Python爬虫开发经历

为啥要做Python爬虫,是因为我去找电影的某个网站有点坑,它支持tag标签查询自己喜欢的电影,但是不支持双标签或者三标签查询.由于一个电影对应多种类型(tag),这就意味着,我需要进入这个电影介绍界面,看看他的tag是不是我需要的.太麻烦了.于是我想着做一个python爬虫. 首先需求分析. 流程如下:在网站的主界面获得每部电影的URL-->进入每部电影的介绍界面-->判断它的tag是否符合要求,如果符合返回这部电影的名字-->把满足条件的URL和电影名字保存为文件-->下一页

Python爬虫爬取一篇韩寒新浪博客

网上看到大神对Python爬虫爬到非常多实用的信息,认为非常厉害.突然对想学Python爬虫,尽管自己没学过Python.但在网上找了一些资料看了一下,看到爬取韩寒新浪博客的视频.共三集,第一节讲爬取一篇博客,第二节讲爬取一页博客.第三集讲爬取所有博客. 看了视频.也留下了代码. 爬虫第一步:查看网页源码: 第一篇博客的代码为蓝底的部分<a title="" target="_blank" href="http://blog.sina.com.cn/

Python爬虫开发系列之一》开发IDE安装

中国有句古话说:工欲善其事,必先利其器! 在我最开始学 Python 的时候,因为没有去探索好用的工具,吃了很多苦头.磕磕绊绊走过来之后才知道,好的工具给效率带来的提升不是从 1 到 1.1 倍速,而是从 1 到 10 倍速. 所以说编写和运行程序之前我们必须要先把开发环境配置好,只有配置好了环境并且有了更方便的开发工具我们才能更加高效地用程序实现相应的功能达到事半工倍的效果,然而很多情况下我们可能在最开始就卡在环境配置上,如果这个过程花费了太多时间,想必学习的兴趣就下降了大半,所以本章专门开发

Python爬虫开发的3大难题，别上了贼船才发现，水有多深

写爬虫,是一个非常考验综合实力的活儿.有时候,你轻而易举地就抓取到了想要的数据:有时候,你费尽心思却毫无所获. 好多Python爬虫的入门教程都是一行代码就把你骗上了"贼船",等上了贼船才发现,水好深-比如爬取一个网页可以是很简单的一行代码: r = requests.get('http://news.baidu.com') 非常的简单,但它的作用也仅仅是爬取一个网页,而一个有用的爬虫远远不止于爬取一个网页. 一个有用的爬虫,只需两个词来衡量: 数量:能否抓全所有该类数据 效率:抓完所

Python爬虫开发【第1篇】【urllib2】

1.urlopen # urllib2_urlopen.py # 导入urllib2 库 import urllib2 # 向指定的url发送请求,并返回服务器响应的类文件对象 response = urllib2.urlopen("http://www.baidu.com") # 类文件对象支持 文件对象的操作方法,如read()方法读取文件全部内容,返回字符串 html = response.read() # 打印字符串 print html 执行写的python代码,将打印结果

Python爬虫开发【第1篇】【动态HTML、Selenium、PhantomJS】

JavaScript JavaScript 是网络上最常用也是支持者最多的客户端脚本语言.它可以收集用户的跟踪数据,不需要重载页面直接提交表单,在页面嵌入多媒体文件,甚至运行网页游戏. 我们可以在网页源代码的<scripy>标签里看到,比如: <script type="text/javascript" src="https://statics.huxiu.com/w/mini/static_2015/js/sea.js?v=201601150944&quo

Python爬虫开发【第1篇】【Scrapy入门】

Scrapy的安装介绍 Scrapy框架官方网址:http://doc.scrapy.org/en/latest Scrapy中文维护站点:http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html Windows 安装方式 Python 2 / 3 升级pip版本:pip install --upgrade pip 通过pip 安装 Scrapy 框架pip install Scrapy 具体Scrapy安装流程参考:http://doc.

Python爬虫开发【第1篇】【Json与JsonPath】

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式,它使得人们很容易的进行阅读和编写.同时也方便了机器进行解析和生成.适用于进行数据交互的场景,比如网站前台与后台之间的数据交互. 官方文档:http://docs.python.org/library/json.html Json在线解析网站:http://www.json.cn/# JSON json简单说就是javascript中的对象和数组,所以这两种结构就是对象和数组两种结构,通过这两种结构可以表