接下來準(zhǔn)備用糗百做一個爬蟲的小例子。

但是在這之前，先詳細(xì)的整理一下Python中的正則表達(dá)式的相關(guān)內(nèi)容。

正則表達(dá)式在Python爬蟲中的作用就像是老師點(diǎn)名時用的花名冊一樣，是必不可少的神兵利器。

以下內(nèi)容轉(zhuǎn)自CNBLOG：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

整理時沒有注意，實(shí)在抱歉。

一、 正則表達(dá)式基礎(chǔ)

1.1.概念介紹

正則表達(dá)式是用于處理字符串的強(qiáng)大工具，它并不是Python的一部分。

其他編程語言中也有正則表達(dá)式的概念，區(qū)別只在于不同的編程語言實(shí)現(xiàn)支持的語法數(shù)量不同。

它擁有自己獨(dú)特的語法以及一個獨(dú)立的處理引擎，在提供了正則表達(dá)式的語言里，正則表達(dá)式的語法都是一樣的。

下圖展示了使用正則表達(dá)式進(jìn)行匹配的流程：

正則表達(dá)式的大致匹配過程是：

1.依次拿出表達(dá)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(dá)式中有量詞或邊界，這個過程會稍微有一些不同。

下圖列出了Python支持的正則表達(dá)式元字符和語法：???

1.2. 數(shù)量詞的貪婪模式與非貪婪模式

正則表達(dá)式通常用于在文本中查找匹配的字符串。

貪婪模式，總是嘗試匹配盡可能多的字符；

非貪婪模式則相反，總是嘗試匹配盡可能少的字符。

Python里數(shù)量詞默認(rèn)是貪婪的。

例如：正則表達(dá)式"ab*"如果用于查找"abbbc"，將找到"abbb"。

而如果使用非貪婪的數(shù)量詞"ab*?"，將找到"a"。

1.3. 反斜杠的問題

與大多數(shù)編程語言相同，正則表達(dá)式里使用"\"作為轉(zhuǎn)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(dá)式里將需要4個反斜杠"\\\\"：

第一個和第三個用于在編程語言里將第二個和第四個轉(zhuǎn)義成反斜杠，

轉(zhuǎn)換成兩個反斜杠\\后再在正則表達(dá)式里轉(zhuǎn)義成一個反斜杠用來匹配反斜杠\。

這樣顯然是非常麻煩的。

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(dá)式可以使用r"\\"表示。

同樣，匹配一個數(shù)字的"\\d"可以寫成r"\d"。

有了原生字符串，媽媽再也不用擔(dān)心我的反斜杠問題~

二、?介紹re模塊

2.1.??Compile

Python通過re模塊提供對正則表達(dá)式的支持。

使用re的一般步驟是：

Step1：先將正則表達(dá)式的字符串形式編譯為Pattern實(shí)例。

Step2：然后使用Pattern實(shí)例處理文本并獲得匹配結(jié)果（一個Match實(shí)例）。

Step3：最后使用Match實(shí)例獲得信息，進(jìn)行其他的操作。

我們新建一個re01.py來試驗(yàn)一下re的應(yīng)用：

[python]?view plaincopy

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

#一個簡單的re實(shí)例，匹配字符串中的hello字符串??

??

#導(dǎo)入re模塊??

import?re??

???

#?將正則表達(dá)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Pattern匹配文本，獲得匹配結(jié)果，無法匹配時將返回None??

match1?=?pattern.match('hello?world!')??

match2?=?pattern.match('helloo?world!')??

match3?=?pattern.match('helllo?world!')??

??

#如果match1匹配成功??

if?match1:??

????#?使用Match獲得分組信息??

????print?match1.group()??

else:??

????print?'match1匹配失敗！'??

??

??

#如果match2匹配成功??

if?match2:??

????#?使用Match獲得分組信息??

????print?match2.group()??

else:??

????print?'match2匹配失敗！'??

??

??

#如果match3匹配成功??

if?match3:??

????#?使用Match獲得分組信息??

????print?match3.group()??

else:??

????print?'match3匹配失敗！'??

可以看到控制臺輸出了匹配的三個結(jié)果：

下面來具體看看代碼中的關(guān)鍵方法。

★ re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法，用于將字符串形式的正則表達(dá)式編譯為Pattern對象。

第二個參數(shù)flag是匹配模式，取值可以使用按位或運(yùn)算符'|'表示同時生效，比如re.I | re.M。

另外，你也可以在regex字符串中指定模式，

比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。

可選值有：

• ??? re.I(全拼：IGNORECASE): 忽略大小寫（括號內(nèi)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(diǎn)任意匹配模式，改變'.'的行為
• ????re.L(全拼：LOCALE): 使預(yù)定字符類 \w \W \b \B \s \S 取決于當(dāng)前區(qū)域設(shè)定
• ????re.U(全拼：UNICODE): 使預(yù)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(xì)模式。這個模式下正則表達(dá)式可以是多行，忽略空白字符，并可以加入注釋。

以下兩個正則表達(dá)式是等價的：

[python]?view plaincopy

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

#兩個等價的re匹配,匹配一個小數(shù)??

import?re??

??

a?=?re.compile(r"""\d?+??#?the?integral?part?

???????????????????\.????#?the?decimal?point?

???????????????????\d?*??#?some?fractional?digits""",?re.X)??

??

b?=?re.compile(r"\d+\.\d*")??

??

match11?=?a.match('3.1415')??

match12?=?a.match('33')??

match21?=?b.match('3.1415')??

match22?=?b.match('33')???

??

if?match11:??

????#?使用Match獲得分組信息??

????print?match11.group()??

else:??

????print?u'match11不是小數(shù)'??

??????

if?match12:??

????#?使用Match獲得分組信息??

????print?match12.group()??

else:??

????print?u'match12不是小數(shù)'??

??????

if?match21:??

????#?使用Match獲得分組信息??

????print?match21.group()??

else:??

????print?u'match21不是小數(shù)'??

??

if?match22:??

????#?使用Match獲得分組信息??

????print?match22.group()??

else:??

????print?u'match22不是小數(shù)'??

re提供了眾多模塊方法用于完成正則表達(dá)式的功能。

這些方法可以使用Pattern實(shí)例的相應(yīng)方法替代，唯一的好處是少寫一行re.compile()代碼，

但同時也無法復(fù)用編譯后的Pattern對象。

這些方法將在Pattern類的實(shí)例方法部分一起介紹。

如一開始的hello實(shí)例可以簡寫為：

[html]?view plaincopy

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

#一個簡單的re實(shí)例，匹配字符串中的hello字符串??

import?re??

??

m?=?re.match(r'hello',?'hello?world!')??

print?m.group()??

re模塊還提供了一個方法escape(string)，用于將string中的正則表達(dá)式元字符如*/+/?等之前加上轉(zhuǎn)義符再返回

2.2. Match

Match對象是一次匹配的結(jié)果，包含了很多關(guān)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：

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(dá)式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。

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

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。

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：

group([group1, …])：
獲得一個或多個分組截獲的字符串；指定多個參數(shù)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(shù)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。

groups([default])：?
以元組形式返回全部分組截獲的字符串。相當(dāng)于調(diào)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(rèn)為None。

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(nèi)。default含義同上。

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(rèn)值為0。

end([group])：
返回指定的組截獲的子串在string中的結(jié)束索引（子串最后一個字符的索引+1）。group默認(rèn)值為0。

span([group])：
返回(start(group), end(group))。

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<id>、\g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認(rèn)為是第10個分組，如果你想表達(dá)\1之后是字符'0'，只能使用\g<1>0。

下面來用一個py實(shí)例輸出所有的內(nèi)容加深理解：

[python]?view plaincopy

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

#一個簡單的match實(shí)例??

??

import?re??

#?匹配如下內(nèi)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<2>?\g<1>\g<3>'):",?m.expand(r'\2?\1\3')??

???

###?output?###??

#?m.string:?hello?world!??

#?m.re:?<_sre.SRE_Pattern?object?at?0x016E1A38>??

#?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!??

2.3. Pattern

Pattern對象是一個編譯好的正則表達(dá)式，通過Pattern提供的一系列方法可以對文本進(jìn)行匹配查找。

Pattern不能直接實(shí)例化，必須使用re.compile()進(jìn)行構(gòu)造，也就是re.compile()返回的對象。

Pattern提供了幾個可讀屬性用于獲取表達(dá)式的相關(guān)信息：

pattern: 編譯時用的表達(dá)式字符串。

flags: 編譯時用的匹配模式。數(shù)字形式。

groups: 表達(dá)式中分組的數(shù)量。

groupindex: 以表達(dá)式中有別名的組的別名為鍵、以該組對應(yīng)的編號為值的字典，沒有別名的組不包含在內(nèi)。

可以用下面這個例子查看pattern的屬性：

[python]?view plaincopy

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

#一個簡單的pattern實(shí)例??

??

import?re??

p?=?re.compile(r'(\w+)?(\w+)(?P<sign>.*)',?re.DOTALL)??

???

print?"p.pattern:",?p.pattern??

print?"p.flags:",?p.flags??

print?"p.groups:",?p.groups??

print?"p.groupindex:",?p.groupindex??

???

###?output?###??

#?p.pattern:?(\w+)?(\w+)(?P<sign>.*)??

#?p.flags:?16??

#?p.groups:?3??

#?p.groupindex:?{'sign':?3}??

下面重點(diǎn)介紹一下pattern的實(shí)例方法及其使用。

1.match

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])：

這個方法將從string的pos下標(biāo)處起嘗試匹配pattern；

如果pattern結(jié)束時仍可匹配，則返回一個Match對象；

如果匹配過程中pattern無法匹配，或者匹配未結(jié)束就已到達(dá)endpos，則返回None。

pos和endpos的默認(rèn)值分別為0和len(string)；

re.match()無法指定這兩個參數(shù)，參數(shù)flags用于編譯pattern時指定匹配模式。

注意：這個方法并不是完全匹配。

當(dāng)pattern結(jié)束時若string還有剩余字符，仍然視為成功。

想要完全匹配，可以在表達(dá)式末尾加上邊界匹配符'$'。

下面來看一個Match的簡單案例：

[python]?view plaincopy

#?encoding:?UTF-8??

import?re??

???

#?將正則表達(dá)式編譯成Pattern對象??

pattern?=?re.compile(r'hello')??

???

#?使用Pattern匹配文本，獲得匹配結(jié)果，無法匹配時將返回None??

match?=?pattern.match('hello?world!')??

???

if?match:??

????#?使用Match獲得分組信息??

????print?match.group()??

???

###?輸出?###??

#?hello??

2.search
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):?
這個方法用于查找字符串中可以匹配成功的子串。

從string的pos下標(biāo)處起嘗試匹配pattern，

如果pattern結(jié)束時仍可匹配，則返回一個Match對象；

若無法匹配，則將pos加1后重新嘗試匹配；

直到pos=endpos時仍無法匹配則返回None。

pos和endpos的默認(rèn)值分別為0和len(string))；

re.search()無法指定這兩個參數(shù)，參數(shù)flags用于編譯pattern時指定匹配模式。

那么它和match有什么區(qū)別呢？

match()函數(shù)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
例如：
print(re.match(‘super’, ‘superstition’).span())

會返回(0, 5)

print(re.match(‘super’, ‘insuperable’))

則返回None

search()會掃描整個字符串并返回第一個成功的匹配
例如：

print(re.search(‘super’, ‘superstition’).span())

返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())

返回(2, 7)

看一個search的實(shí)例：

[python]?view plaincopy

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

#一個簡單的search實(shí)例??

??

import?re??

???

#?將正則表達(dá)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?=?pattern.search('hello?world!')??

???

if?match:??

????#?使用Match獲得分組信息??

????print?match.group()??

???

###?輸出?###??

#?world??

3.split

split(string[, maxsplit]) | 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(shù)，不指定將全部分割。

[python]?view plaincopy

import?re??

???

p?=?re.compile(r'\d+')??

print?p.split('one1two2three3four4')??

???

###?output?###??

#?['one',?'two',?'three',?'four',?'']??

4.findall

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。

[python]?view plaincopy

import?re??

???

p?=?re.compile(r'\d+')??

print?p.findall('one1two2three3four4')??

???

###?output?###??

#?['1',?'2',?'3',?'4']??

5.finditer

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一個順序訪問每一個匹配結(jié)果（Match對象）的迭代器。

[html]?view plaincopy

import?re??

???

p?=?re.compile(r'\d+')??

for?m?in?p.finditer('one1two2three3four4'):??

????print?m.group(),??

???

###?output?###??

#?1?2?3?4??

6.sub

sub(repl, string[, count]) | 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(dāng)repl是一個字符串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。?
當(dāng)repl是一個方法時，這個方法應(yīng)當(dāng)只接受一個參數(shù)（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(shù)，不指定時全部替換。

[python]?view plaincopy

import?re??

???

p?=?re.compile(r'(\w+)?(\w+)')??

s?=?'i?say,?hello?world!'??

???

print?p.sub(r'\2?\1',?s)??

???

def?func(m):??

????return?m.group(1).title()?+?'?'?+?m.group(2).title()??

???

print?p.sub(func,?s)??

???

###?output?###??

#?say?i,?world?hello!??

#?I?Say,?Hello?World!??

7.subn

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替換次數(shù))。

[python]?view plaincopy

import?re??

???

p?=?re.compile(r'(\w+)?(\w+)')??

s?=?'i?say,?hello?world!'??

???

print?p.subn(r'\2?\1',?s)??

???

def?func(m):??

????return?m.group(1).title()?+?'?'?+?m.group(2).title()??

???

print?p.subn(func,?s)??

???

###?output?###??

#?('say?i,?world?hello!',?2)??

#?('I?Say,?Hello?World!',?2)??

至此，Python的正則表達(dá)式基本介紹就算是完成了^_^ 新人創(chuàng)作打卡挑戰(zhàn)賽發(fā)博客就能抽獎！定制產(chǎn)品紅包拿不停！

總結(jié)

以上是生活随笔為你收集整理的[Python]网络爬虫（七）：Python中的正则表达式教程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。