爬蟲基本原理與實戰---5、正則的基本使用

一、瞭解正則表達式

正則表達式是對字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個“規則字符串”，這個“規則字符串”用來表達對字符串的一種過濾邏輯。

正則表達式是用來匹配字符串非常強大的工具，在其他編程語言中同樣有正則表達式的概念，Python同樣不例外，利用了正則表達式，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。

正則表達式的大致匹配過程是：

1.依次拿出表達式和文本中的字符比較，
2.如果每一個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。
3.如果表達式中有量詞或邊界，這個過程會稍微有一些不同。

二、正則表達式的語法規則

下面是Python中正則表達式的一些匹配規則，圖片資料來自CSDN

三、正則表達式相關注解

（1）數量詞的貪婪模式與非貪婪模式

正則表達式通常用於在文本中查找匹配的字符串。Python裏數量詞默認是貪婪的（在少數語言裏也可能是默認非貪婪），總是嘗試匹配儘可能多的字符；非貪婪的則相反，總是嘗試匹配儘可能少的字符。例如：正則表達式”ab*”如果用於查找”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

與大多數編程語言相同，正則表達式裏使用”\”作爲轉義字符，這就可能造成反斜槓困擾。假如你需要匹配文本中的字符”\”，那麼使用編程語言表示的正則表達式裏將需要4個反斜槓”\\”：前兩個和後兩個分別用於在編程語言裏轉義成反斜槓，轉換成兩個反斜槓後再在正則表達式裏轉義成一個反斜槓。

Python裏的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用r”\”表示。同樣，匹配一個數字的”\d”可以寫成r”\d”。有了原生字符串，媽媽也不用擔心是不是漏寫了反斜槓，寫出來的表達式也更直觀勒。

（3）分組區配
通過引用編號或別名來匹配時，應特別注意：引用部分匹配的字符串與組區配的字符串應保持一致，如：
(\d)abc\1 能匹配5abc5，但不能匹配2abc5

四、Python Re模塊

Python 自帶了re模塊，它提供了對正則表達式的支持。主要用到的方法列舉如下

#返回pattern對象
re.compile(string[,flag])
#以下爲匹配所用函數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])

在介紹這幾個方法之前，我們先來介紹一下pattern的概念，pattern可以理解爲一個匹配模式，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

pattern=re.compile(r'hello')

在參數中我們傳入了原生字符串對象，通過compile方法編譯生成一個pattern對象，然後我們利用這個對象來進行進一步的匹配。

另外大家可能注意到了另一個參數 flags，在這裏解釋一下這個參數的含義：

參數flag是匹配模式，取值可以使用按位或運算符’|’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'$'的行爲（參見上圖）
re.S(全拼：DOTALL):點任意匹配模式，改變'.'的行爲
re.L(全拼：LOCALE):使預定字符類\w\W\b\B\s\S取決於當前區域設定
re.U(全拼：UNICODE):使預定字符類\w\W\b\B\s\S\d\D取決於unicode定義的字符屬性
re.X(全拼：VERBOSE):詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，並可以加入註釋。

在剛纔所說的另外幾個方法例如 re.match 裏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參數了。

（1）re.match(pattern, string[, flags])

這個方法將會從string（我們要匹配的字符串）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符，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 -*-
# 導入re模塊
import re

# 將正則表達式編譯成Pattern對象，注意hello前面的r的意思是“原生字符串”
pattern=re.compile(r'hello')

# 使用re.match匹配文本，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獲得分組信息
    print result1.group()
else:print'1匹配失敗！'

#如果2匹配成功
ifresul t2:
# 使用Match獲得分組信息
    print result2.group()
else:print'3匹配失敗！'

#如果3匹配成功
if result3:# 使用Match獲得分組信息
    print result3.group()
else:print'3匹配失敗！'

#如果4匹配成功
if result4:# 使用Match獲得分組信息
    print result4.group()
else:print'4匹配失敗！'

運行結果

hello
hello3
匹配失敗！
hello

匹配分析

1.第一個匹配，pattern正則表達式爲’hello’，我們匹配的目標字符串string也爲hello，從頭至尾完全匹配，匹配成功。
2.第二個匹配，string爲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，返回匹配成功的信息。
3.第三個匹配，string爲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對象的的屬性和方法

Match對象是一次匹配的結果，包含了很多關於此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：

string: 匹配時使用的文本。

re: 匹配時使用的Pattern對象。

pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。

endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。

lastindex: 最後一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將爲None。

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，將爲None。

方法：

1.group([group1, …]):

獲得一個或多個分組截獲的字符串；指定多個參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；不填寫參數時，返回group(0)；沒有截獲字符串的組返回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符串。相當於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認爲None。

3.groupdict([default]):

返回以有別名的組的別名爲鍵、以該組截獲的子串爲值的字典，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（子串第一個字符的索引）。group默認值爲0。

5.end([group]):

返回指定的組截獲的子串在string中的結束索引（子串最後一個字符的索引+1）。group默認值爲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將被認爲是第10個分組，如果你想表達\1之後是字符’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實例
import re
# 匹配如下內容：單詞+空格+單詞+任意字符
m=re.match(r'(\w+) (\w+)(?P.*)','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)
printr"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()函數只檢測re是不是在string的開始位置匹配，search()會掃描整個string查找匹配，match（）只有在0位置匹配成功的話纔有返回，如果不是開始位置匹配成功的話，match()就返回None。同樣，search方法的返回對象同樣match()返回對象的方法和屬性。我們用一個例子感受一下

#導入re模塊
import re
# 將正則表達式編譯成Pattern對象
pattern=re.compile(r'world')
# 使用search()查找匹配的子串，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獲得分組信息
    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])
經驗：
如果pattern裏面不含分組，返回的是匹配字符串的列表，
如果pattern裏面含有分組，列返回的是含有組匹配的列表
（1）如果只含有一個組，則返回的是一個字符串列表；

str='litaifa,123lijinhao,456jinshuyan,789family'
pat =re.compile(r'\w+,(\d+)')
items = re.findall(pat,str)
print type(items),items     

### 結果：<type 'list'> ['123', '456', '789']

（2）如果含有兩個或多個組，則返回的是元組列表即，列表的每元素爲元組

str='litaifa,123lijinhao,456jinshuyan,789family'
pat =re.compile(r'(\w+),(\d+)')
items = re.findall(pat,str)
print type(items),items
### 結果：<type 'list'> [('litaifa', '123'), ('lijinhao', '456'), ('jinshuyan', '789')]

（3）如果組允許多次匹配，只返回最後匹配的字符串

str='litaifa,123lijinhao,456jinshuyan,789family'
pat =re.compile(r'(\w)+,(\d+)')
items = re.findall(pat,str)
print type(items),items
### 結果：<type 'list'> [('a', '123'), ('o', '456'), ('n', '789')]

搜索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])

搜索string，返回一個順序訪問每一個匹配結果（Match對象）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符串。

當repl是一個字符串時，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參數（Match對象），並返回一個字符串用於替換（返回的字符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):
    returnm.group(1).title()+' '+m.group(2).title()
print re.subn(pattern,func,s)

### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

五、Python Re模塊的另一種使用方式

在上面我們介紹了7個工具方法，例如match，search等等，不過調用方式都是 re.match，re.search的方式，其實還有另外一種調用方式，可以通過pattern.match，pattern.search調用，這樣調用便不用將pattern作爲第一個參數傳入了，大家想怎樣調用皆可。

函數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])

轉載請註明：靜覓 » Python爬蟲入門七之正則表達式

爬蟲基本原理與實戰---5、正則的基本使用

一、瞭解正則表達式

二、正則表達式的語法規則

三、正則表達式相關注解

四、Python Re模塊

五、Python Re模塊的另一種使用方式

redis的key亂碼問題和值自增問題

一個開源且全面的C#算法實戰教程

一款.NET開源、功能強大、跨平臺的繪圖庫 - OxyPlot

CORS error 但是 status code 是200 OK

壓縮上傳的GPU數據的方案

使用skopeo同步鏡像

Python高效編程實戰---2、對象迭代與反迭代技巧

python基礎---命名空間與常用函數

python基礎---迭代器和生成器

Python高效編程實戰---3、字符串處理技巧

python基礎---引用計數

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結