[Python爬蟲] 五、數據提取之正則表達式re模塊

往期內容提要：

一、非結構化數據與結構化數據

一般來講對我們而言，需要抓取的是某個網站或者某個應用的內容，提取有用的價值。內容一般分爲兩部分，非結構化的數據和結構化的數據。

非結構化數據：先有數據，再有結構。
結構化數據：先有結構、再有數據。
不同類型的數據，我們需要採用不同的方式來處理。

處理方式	非結構化數據	結構化數據
正則表達式	文本、電話號碼、郵箱地址、HTML 文件	XML 文件
XPath	HTML 文件	XML 文件
CSS選擇器	HTML 文件	XML 文件
JSON Path		JSON 文件
轉化成Python類型		JSON 文件（json類）、XML 文件（xmltodict）

二、瞭解正則表達式

爬蟲一共四個主要步驟：

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數據)
處理數據（按照我們想要的方式存儲和使用）

在前面的學習中，我們掌握了“爬”數據方法，此時我們down下的數據是全部的網頁，這些數據很龐大並且很混亂，大部分的東西使我們不關心的，因此我們需要將之按我們的需要過濾和匹配出來，這就涉及到爬蟲的第三步：提取。

當前，對於文本的過濾或者規則的匹配，最強大的就是正則表達式，他同時適用於結構化與非結構化數據的提取，是Python爬蟲世界裏必不可少的神兵利器。

正則表達式，又稱規則表達式，通常被用來檢索、替換那些符合某個模式(規則)的文本。

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。

給定一個正則表達式和另一個字符串，我們可以達到如下的目的：

給定的字符串是否符合正則表達式的過濾邏輯（"匹配"）；

通過正則表達式，從文本字符串中獲取我們想要的特定部分（"過濾"）。

三、正則表達式匹配規則

？ = {0,1} ； + = {1，+∞} ； * = {0，+∞}
定位： re.findall("(?<=xxxxx).*?(?=xxxxx)") ;其中xxx是前後限定的內容，.*？是取得的內容

四：Python 的 re 模塊

在 Python 中，我們可以使用內置的 re 模塊來使用正則表達式。

有一點需要特別注意的是，正則表達式使用對特殊字符進行轉義，所以如果我們要使用原始字符串，只需加一個 r 前綴，示例：

r'chuanzhiboke\t\.\tpython'

re 模塊的一般使用步驟如下：

使用 compile() 函數將正則表達式的字符串形式編譯爲一個 Pattern 對象
通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果，一個 Match 對象。
最後使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作

import re

# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r'\d+')

接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。

Pattern 對象的一些常用方法主要有：

match 方法：從起始位置開始查找，一次匹配

search 方法：從任何位置開始查找，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：替換

（1）match 方法

match 方法用於查找字符串的頭部（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，而不是查找所有匹配的結果。它的一般使用形式如下：

match(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。因此，當你不指定 pos 和 endpos 時，match 方法默認匹配字符串的頭部。

當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。

>>> import re
>>> pattern = re.compile(r'\d+')                      # 用於匹配至少一個數字

>>> m = pattern.match('one12twothree34four')          # 查找頭部，沒有匹配
>>> print (m)
None

>>> m = pattern.match('one12twothree34four', 2, 10)   # 從'e'的位置開始匹配，沒有匹配
>>> print (m)
None

>>> m = pattern.match('one12twothree34four', 3, 10)   # 從'1'的位置開始匹配，正好匹配
>>> print (m)                                         # 返回一個 Match 對象
<_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)

在上面，當匹配成功時返回一個 Match 對象，其中：

group([group1, ...]) 方法用於獲得一個或多個分組匹配的字符串，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符串中的起始位置（子串第一個字符的索引），參數默認值爲 0；
end([group]) 方法用於獲取分組匹配的子串在整個字符串中的結束位置（子串最後一個字符的索引+1），參數默認值爲 0；
span([group]) 方法返回 (start(group), end(group))。

再看看一個例子：

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

>>> print (m)   # 匹配成功，返回一個 Match 對象
<_sre.SRE_Match object at 0x10bea83e8>

>>> m.group(0)  # 返回匹配成功的整個子串
'Hello World'

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

>>> m.group(1)  # 返回第一個分組匹配成功的子串
'Hello'

>>> m.span(1)   # 返回第一個分組匹配成功的子串的索引
(0, 5)

>>> m.group(2)  # 返回第二個分組匹配成功的子串
'World'

>>> m.span(2)   # 返回第二個分組匹配成功的子串
(6, 11)

>>> m.groups()  # 等價於 (m.group(1), m.group(2), ...)
('Hello', 'World')

>>> m.group(3)  # 不存在第三個分組
  Traceback (most recent call last):
     File "<stdin>", line 1, in <module>
  IndexError: no such group

（2）search 方法

search 方法用於查找字符串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，它的一般使用形式如下：

search(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。

當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。

讓我們看看例子：

>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four')  # 這裏如果使用 match 方法則不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串區間
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)

再來看一個例子：

# -*- coding: utf-8 -*-

import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r'\d+')
# 使用 search() 查找匹配的子串，不存在匹配的子串時將返回 None
# 這裏使用 match() 無法成功匹配
m = pattern.search('hello 123456 789')
if m:
    # 使用 Match 獲得分組信息
    print ('matching string:',m.group())
    # 起始位置和結束位置
    print ('position:',m.span())

執行結果：

matching string: 123456
position: (6, 12)

（3）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，我們需要搜索整個字符串，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 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。

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。

看看例子：

import re
pattern = re.compile(r'\d+')   # 查找數字

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

print (result1)
print (result2)

執行結果：

['123456', '789']
['1', '2']

再舉一個例子：

# re_test.py

import re

#re模塊提供一個方法叫compile模塊，提供我們輸入一個匹配的規則
#然後返回一個pattern實例，我們根據這個規則去匹配字符串
pattern = re.compile(r'\d+\.\d*')

#通過partten.findall()方法就能夠全部匹配到我們得到的字符串
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給result
for item in result:
    print (item)

運行結果：

123.141593
3.15

（4）finditer 方法

finditer 方法的行爲跟 findall 的行爲類似，也是搜索整個字符串，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 對象）的迭代器。

看看例子：

# -*- 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 對象
    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()))

執行結果：

<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)

（5）split 方法

split 方法按照能夠匹配的子串將字符串分割後返回列表，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。

看看例子：

import re
p = re.compile(r'[\s\,\;]+')
print (p.split('a,b;; c   d'))

執行結果：

['a', 'b', 'c', 'd']

（6）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 可以是字符串也可以是一個函數：

如果 repl 是字符串，則會使用 repl 去替換字符串每一個匹配的子串，並返回替換後的字符串，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 是函數，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。

看看例子：

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' 替換 'hello 123' 和 'hello 456'
print (p.sub(r'\2 \1', s))        # 引用分組

def func(m):
    print(m)
    return 'hi' + ' ' + m.group(2) #group(0) 表示本身，group(1)表示hello，group(2) 表示後面的數字

print (p.sub(func, s))  #多次sub，每次sub的結果傳遞給func
print (p.sub(func, s, 1))         # 最多替換一次

執行結果：

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

（7）匹配中文

在某些情況下，我們想匹配文本中的漢字，有一點需要注意的是，中文的 unicode 編碼範圍主要在 [u4e00-u9fa5]，這裏說主要是因爲這個範圍並不完整，比如沒有包括全角（中文）標點，不過，在大部分情況下，應該是夠用的。

假設現在想把字符串 title = u'你好，hello，世界' 中的中文提取出來，可以這麼做：

import re

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

print (result)

注意到，我們在正則表達式前面加上了兩個前綴 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

執行結果:

['你好', '世界']

五、貪婪模式與非貪婪模式

貪婪模式：在整個表達式匹配成功的前提下，儘可能多的匹配 ( * )；
非貪婪模式：在整個表達式匹配成功的前提下，儘可能少的匹配 ( ? )；
Python裏數量詞默認是貪婪的。

示例一：源字符串：`abbbc`

使用貪婪的數量詞的正則表達式 ab* ，匹配結果： abbb。

* 決定了儘可能多匹配 b，所以a後面所有的 b 都出現了。
使用非貪婪的數量詞的正則表達式ab*?，匹配結果： a。

即使前面有 *，但是 ? 決定了儘可能少匹配 b，所以沒有 b。

示例二：源字符串：`aa<div>test1</div>bb<div>test2</div>cc`

使用貪婪的數量詞的正則表達式：<div>.*</div>
匹配結果：<div>test1</div>bb<div>test2</div>

這裏採用的是貪婪模式。在匹配到第一個"</div>"時已經可以使整個表達式匹配成功，但是由於採用的是貪婪模式，所以仍然要向右嘗試匹配，查看是否還有更長的可以成功匹配的子串。匹配到第二個"</div>"後，向右再沒有可以成功匹配的子串，匹配結束，匹配結果爲"<div>test1</div>bb<div>test2</div>"

使用非貪婪的數量詞的正則表達式：<div>.*?</div>
匹配結果：<div>test1</div>

正則表達式二採用的是非貪婪模式，在匹配到第一個"</div>"時使整個表達式匹配成功，由於採用的是非貪婪模式，所以結束匹配，不再向右嘗試，匹配結果爲"<div>test1</div>"。

正則表達式測試網址

六、正則表達式爬蟲實戰

現在擁有了正則表達式這把神兵利器，我們就可以進行對爬取到的全部網頁源代碼進行篩選了。

下面我們一起嘗試一下爬取內涵段子網站： http://www.neihan8.com/article/list_5_1.html

打開之後，不難看到裏面一個一個灰常有內涵的段子，當你進行翻頁的時候，注意url地址的變化：

第一頁url: http: //www.neihan8.com/article/list_5_1 .html

第二頁url: http: //www.neihan8.com/article/list_5_2 .html

第三頁url: http: //www.neihan8.com/article/list_5_3 .html

第四頁url: http: //www.neihan8.com/article/list_5_4 .html

這樣我們的url規律找到了，要想爬取所有的段子，只需要修改一個參數即可。下面我們就開始一步一步將所有的段子爬取下來吧。

第一步：獲取數據

按照我們之前的用法，我們需要寫一個加載頁面的方法。這裏我們統一定義一個類，將url請求作爲一個成員方法處理。

創建一個文件，叫duanzi_spider.py，然後定義一個Spider類，並且添加一個加載頁面的成員方法

class Duanzi_spider():
    def __init__(self):
        self.url = "http://www.neihan8.com/article/list_5_%s.html"
        self.headers = {
            "User_Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleW\
            ebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",
            "Accept-Encoding":None,
            "Accept-Language": "zh-CN,zh;q=0.8"

        }

    def load_page(self,url):
            '''可以複用的頁面請求方法
            '''
            response = requests.get(url,timeout=10,headers=self.headers)
            if response.status_code==200:
                    print(response.request.headers)
                    return response.content.decode("gbk")
            else:
                    raise ValueError("status_code is:",response.status_code)

程序正常執行的話，我們會在屏幕上打印了內涵段子第一頁的全部html代碼。但是我們發現，html中的中文部分顯示的可能是亂碼。

注意：對於每個網站對中文的編碼各自不同，所以html.decode('gbk')的寫法並不是通用寫法，根據網站的編碼而異

第二步：篩選數據

接下來我們已經得到了整個頁面的數據。但是，很多內容我們並不關心，所以下一步我們需要進行篩選。如何篩選，就用到了正則表達式。

首先我們需要一個匹配規則，打開內涵段子的網頁查看源代碼:

<a href="/article/44959.html"><b>回家奔喪</b></a></h4>
    <div class="f18 mb20">
        一老太太跋山涉水來到部隊，看望她的孫子，<br />
　　    警衛問：“她找誰？”老太說：“找xx，”警衛打完電話說：<br />
　　    “xx三天前說她他奶奶過世，回家奔喪去了，奔喪去了，去了。。”

   </div>

在我們得到的response中運用正則表達式進行篩選匹配:

import re

def get_content(self,html):
        '''  根據網頁內容，同時匹配標題和段子內容
        '''
        pattern = re.compile(r'<a\shref="/article/\d+\.html">(.*?)</a>.*?<div\sclass="f18 mb20">(.*?)</div>', re.S)
        t = pattern.findall(html)
        result = []
        for i in t:
            temp = []
            for j in i:
                    j = re.sub(r"[<b>|</b>|<br />|<br>|<p>|</p>|\\u3000|\\r\\n|\s]","",j)
                    j = j.replace("&ldqo;",'"').replace("&helli;","...").replace("&dqo;",'"').strip()
                    # j = re.sub(r"[&ldqo;|&dqo;]","\"",j)?
                    # j = re.sub(r"…","...",j)
                    temp.append(j)
                print(temp)
            result.append(temp)
    return result

這裏需要注意一個是re.S是正則表達式中匹配的一個參數。

如果沒有re.S 則是只匹配一行有沒有符合規則的字符串，如果沒有則下一行重新匹配。

如果加上re.S 則是將所有的字符串將一個整體進行匹配，findall 將所有匹配到的結果封裝到一個list中。

第三步：保存數據

我們可以將所有的段子存放在文件中。比如，我們可以將得到的每個item不是打印出來，而是存放在一個叫 duanzi.txt 的文件中也可以。

def save_content(self,content):
    myFile = open("./duanzi.txt", 'a')
    for temp in content:
        myFile.write("\n"+temp[0]+"\n"+temp[1]+"\n")
        myFile.write("-----------------------------------------------------")
    myFile.close()

然後我們實現保存的方法，當前頁面的所有段子就存在了本地的duanzi.txt文件中。

第四步：實現循環抓取

接下來我們就通過參數的傳遞對page進行疊加來遍歷內涵段子吧的全部段子內容。
同時也通過這個run方法實現整個程序的主要邏輯

def run(self):
        i = 1
        while True:
                html = self.load_page(self.url%i)
                result = self.get_content(html)
                print ("按回車繼續...")
                print ("輸入 quit 退出")
                command = input()
                if (command == "quit"):
                        break
                i+=1

最後，我們執行我們的代碼，完成後查看當前路徑下的duanzi.txt文件，裏面已經有了我們要的內涵段子。

後期內容提要：

[Python爬蟲] 六、數據提取之XPath與lxml類庫
[Python爬蟲] 七、結構化數據提取之JSON與JsonPATH
[Python爬蟲] 八、動態HTML處理之Selenium與PhantomJS
[Python爬蟲] 九、機器視覺與機器圖像識別之Tesseract
[Python爬蟲] 十、Scrapy 框架

以上便是一個非常精簡使用的小爬蟲程序，使用起來很是方便，如果想要爬取其他網站的信息，只需要修改其中某些參數和一些細節就行了。如果您有任何疑問或者好的建議，期待你的留言與評論！

[Python爬蟲] 五、數據提取之正則表達式re模塊

一、非結構化數據與結構化數據

二、瞭解正則表達式

三、正則表達式匹配規則

四：Python 的 re 模塊

re 模塊的一般使用步驟如下：

（1）match 方法

（2）search 方法

（3）findall 方法

（4）finditer 方法

（5）split 方法

（6）sub 方法

（7）匹配中文

五、貪婪模式與非貪婪模式

示例一：源字符串：`abbbc`

示例二：源字符串：`aa<div>test1</div>bb<div>test2</div>cc`

六、正則表達式爬蟲實戰

第一步：獲取數據

第二步：篩選數據

第三步：保存數據

第四步：實現循環抓取

密碼學：一文讀懂常用加密技術原理及其邏輯與應用方法

【樹莓派-網絡監控（5）前端搭建】基於iframe標籤,集成監控實時畫面與遙控功能，完成網絡監控的搭建與調試

【樹莓派-網絡監控（4）數據交互】基於python異步io框架Tornado,實現監控遙控命令與Web網頁觸發事件的綁定及前後端的數據交互

【抽獎平臺開發（3）】將抽獎結果提交的表單上傳至數據庫，完成抽獎平臺前臺開發（PHP+MySQL）

【抽獎平臺開發（1）】抽獎功能的前端實現（HTML+JS+CSS）

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

[Python爬蟲] 五、數據提取之正則表達式re模塊

一、非結構化數據與結構化數據

二、瞭解正則表達式

三、正則表達式匹配規則

四：Python 的 re 模塊

re 模塊的一般使用步驟如下：

（1）match 方法

（2）search 方法

（3）findall 方法

（4）finditer 方法

（5）split 方法

（6）sub 方法

（7）匹配中文

五、貪婪模式與非貪婪模式

示例一 ： 源字符串：abbbc

示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc

六、正則表達式爬蟲實戰

第一步：獲取數據

第二步：篩選數據

第三步：保存數據

第四步：實現循環抓取

示例一：源字符串：`abbbc`

示例二：源字符串：`aa<div>test1</div>bb<div>test2</div>cc`