Python爬虫四（正则表达式）
菜鳥教程 之 python 正則表達式：http://www.runoob.com/python/python-reg-expressions.html
python 官網正則文檔：https://docs.python.org/2/library/re.html
1、正則表達式 簡介
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" 用來表示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，利用 正則表達式 可以從任意字符串中易如反掌的提取出想要的字符串。
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。
2、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
3、正則表達式相關注解
（1）數量詞 的 貪婪模式 與 非貪婪模式
正則表達式通常用于在文本中查找匹配的字符串。Python里數量詞默認是貪婪的（在少數語言里也可能是默認非貪婪），總是嘗試匹配盡可能多的字符；非貪婪的則相反，總是嘗試匹配盡可能少的字符。例如：正則表達式”ab*”如果用于查找”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）反斜杠問題
與大多數編程語言相同，正則表達式里使用”\”作為轉義字符，這就可能造成反斜杠困擾。假如你需要匹配文本中的字符”\”，那么使用編程語言表示的正則表達式里將需要4個反斜杠”\\\\”：前兩個和后兩個分別用于在編程語言里轉義成反斜杠，轉換成兩個反斜杠后再在正則表達式里轉義成一個反斜杠。
Python里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杠，寫出來的表達式也更直觀勒。
4、Python 的?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]) #以下為匹配所用函數 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 可以理解為一個匹配模式，那么我們怎么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，然后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，在這里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): 使預定字符類 \w \W \b \B \s \S 取決于當前區域設定? re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于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，并可以加入注釋。在剛才所說的另外幾個方法例如 re.match 里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生成時已經指明了flags，那么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，一直向后匹配，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向后匹配。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 if result2:# 使用Match獲得分組信息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 hello 3匹配失敗！ hello匹配分析：
- 1. 第一個匹配，pattern 正則表達式為 ’hello’，我們匹配的目標字符串 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，后面的 o CQC 不再匹配，返回匹配成功的信息。
- 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。
我們還看到最后打印出了result.group()，這個是什么意思呢？下面我們說一下關于 match 對象的的屬性和方法。Match 對象是一次匹配的結果，包含了很多關于此次匹配的信息，可以使用 Match提供的可讀屬性或方法來獲取這些信息。
屬性：
1.string: 匹配時使用的文本。
2.re: 匹配時使用的Pattern對象。
3.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。
4.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。
5.lastindex: 最后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，將為None。
6.lastgroup: 最后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后一次截獲的子串。
2.groups([default]):
以元組形式返回全部分組截獲的字符串。相當于調用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（子串第一個字符的索引）。group默認值為0。
5.end([group]):
返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
將匹配到的分組代入template中然后返回。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之后是字符’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<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，區別在于 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 方法的返回對象同 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 分割后返回列表。maxsplit 用于指定最大分割次數，不指定將全部分割。我們通過下面的例子感受一下。
import repattern = re.compile(r'\d+') print re.split(pattern,'one1two2three3four4')### 輸出 ### # ['one', 'two', 'three', 'four', '']（4）re.findall(pattern, string[, flags])
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 repattern = 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 repattern = 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后返回替換后的字符串。
- 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），并返回一個字符串用于替換（ 返回的字符串中不能再引用分組 ）。
- count 用于指定最多替換次數，不指定時全部替換。
（7）re.subn(pattern, repl, string[, count])
返回 ( sub(repl, string[, count]), 替換次數 )。
import repattern = 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 的 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 作為第一個參數傳入了，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])示例代碼：
import redef func_1():pattern = re.compile(r'((86|86\+)?\d{11})')s = "abc86+12345678901abc"result = re.search(pattern, s)print(result.groups())passdef func_2():pattern = re.compile(r'((86|86\+)?\d{11})')s = "abc86+12345678901abc"result = pattern.search(s)print(result.groups())passif __name__ == "__main__":print("this is a test")func_1()print('*'* 20)func_2()運行結果：
總結
以上是生活随笔為你收集整理的Python爬虫四（正则表达式）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Chrome 爬虫插件 Web Scra
- 下一篇： Python操作MSSQL