Python爬蟲解析神器-正則表達式如何更好運用棘幸?詳解(建議收藏)

先詳細的整理一下Python中的正則表達式的相關內(nèi)容。正則表達式在Python爬蟲中的作用就像是老師點名時用的花名冊一樣挽荡,是必不可少的神兵利器藐石。

一即供、 正則表達式基礎

1.1.概念介紹

正則表達式是用于處理字符串的強大工具定拟,它并不是Python的一部分。

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

它擁有自己獨特的語法以及一個獨立的處理引擎,在提供了正則表達式的語言里驱证,正則表達式的語法都是一樣的延窜。

下圖展示了使用正則表達式進行匹配的流程:

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抹锄,則匹配成功逆瑞;一旦有匹配不成功的字符則匹配失敗荠藤。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获高。

3.光理論是不夠的哈肖。這里順便送大家一套2020最新PYTHON網(wǎng)絡爬蟲從入門到實踐、Python開發(fā)技術詳解念秧,《Python爬蟲開發(fā)與項目實戰(zhàn)》等學習資料淤井,需要的小伙伴,添加w?:bjmsb07 即可獲得摊趾!

1.2. 數(shù)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币狠。

貪婪模式,總是嘗試匹配盡可能多的字符砾层;

非貪婪模式則相反漩绵,總是嘗試匹配盡可能少的字符。

Python里數(shù)量詞默認是貪婪的梢为。

例如:正則表達式"ab*"如果用于查找"abbbc"渐行,將找到"abbb"。

而如果使用非貪婪的數(shù)量詞"ab*?"铸董,將找到"a"祟印。

1.3. 反斜杠的問題

與大多數(shù)編程語言相同,正則表達式里使用""作為轉(zhuǎn)義字符粟害,這就可能造成反斜杠困擾蕴忆。

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"\":

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)義成反斜杠悲幅,

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

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汰具,這個例子中的正則表達式可以使用r""表示卓鹿。

同樣,匹配一個數(shù)字的"d"可以寫成r"d"留荔。

有了原生字符串吟孙,媽媽再也不用擔心我的反斜杠問題~

二、 介紹re模塊

2.1. Compile

Python通過re模塊提供對正則表達式的支持聚蝶。

使用re的一般步驟是:

Step1:先將正則表達式的字符串形式編譯為Pattern實例杰妓。

Step2:然后使用Pattern實例處理文本并獲得匹配結果(一個Match實例)。

Step3:最后使用Match實例獲得信息碘勉,進行其他的操作巷挥。

我們新建一個re01.py來試驗一下re的應用:

代碼如下:

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

#一個簡單的re實例,匹配字符串中的hello字符串

#導入re模塊

import?re

#?將正則表達式編譯成Pattern對象验靡,注意hello前面的r的意思是“原生字符串”

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

#?使用Pattern匹配文本倍宾,獲得匹配結果雏节,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

ifmatch1:

#?使用Match獲得分組信息

printmatch1.group()

else:

print'match1匹配失敗高职!'

#如果match2匹配成功

ifmatch2:

#?使用Match獲得分組信息

printmatch2.group()

else:

print'match2匹配失敺汀!'

#如果match3匹配成功

ifmatch3:

#?使用Match獲得分組信息

printmatch3.group()

else:

print'match3匹配失敵鹾瘛件蚕!'

可以看到控制臺輸出了匹配的三個結果:

下面來具體看看代碼中的關鍵方法。

★ re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法产禾,用于將字符串形式的正則表達式編譯為Pattern對象排作。

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

另外,你也可以在regex字符串中指定模式楞件,

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

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): 多行模式土浸,改變'^'和'$'的行為(參見上圖)

re.S(全拼:DOTALL): 點任意匹配模式罪针,改變'.'的行為

re.L(全拼:LOCALE): 使預定字符類 w W B s S 取決于當前區(qū)域設定

re.U(全拼:UNICODE): 使預定字符類 w W 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黄伊,忽略空白字符泪酱,并可以加入注釋。

以下兩個正則表達式是等價的:

代碼如下:

#?-*-?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')

ifmatch11:

#?使用Match獲得分組信息

printmatch11.group()

else:

printu'match11不是小數(shù)'

ifmatch12:

#?使用Match獲得分組信息

printmatch12.group()

else:

printu'match12不是小數(shù)'

ifmatch21:

#?使用Match獲得分組信息

printmatch21.group()

else:

printu'match21不是小數(shù)'

ifmatch22:

#?使用Match獲得分組信息

printmatch22.group()

else:

printu'match22不是小數(shù)'

re提供了眾多模塊方法用于完成正則表達式的功能还最。

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

但同時也無法復用編譯后的Pattern對象拓轻。

這些方法將在Pattern類的實例方法部分一起介紹斯撮。

如一開始的hello實例可以簡寫為:

代碼如下:

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

#一個簡單的re實例,匹配字符串中的hello字符串

importre

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

printm.group()

2.2. Match

Match對象是一次匹配的結果扶叉,包含了很多關于此次匹配的信息勿锅,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: 匹配時使用的文本辜梳。

re: 匹配時使用的Pattern對象粱甫。

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

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(shù)相同危纫。

lastindex: 最后一個被捕獲的分組在文本中的索引宗挥。如果沒有被捕獲的分組乌庶,將為None。

lastgroup: 最后一個被捕獲的分組的別名契耿。如果這個分組沒有別名或者沒有被捕獲的分組瞒大,將為None。

方法:

group([group1, …]):

獲得一個或多個分組截獲的字符串搪桂;指定多個參數(shù)時將以元組形式返回透敌。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踢械;不填寫參數(shù)時酗电,返回group(0);沒有截獲字符串的組返回None内列;截獲了多次的組返回最后一次截獲的子串撵术。

groups([default]):

以元組形式返回全部分組截獲的字符串。相當于調(diào)用group(1,2,…last)话瞧。default表示沒有截獲字符串的組以這個值替代嫩与,默認為None。

groupdict([default]):

返回以有別名的組的別名為鍵交排、以該組截獲的子串為值的字典划滋,沒有別名的組不包含在內(nèi)。default含義同上埃篓。

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)古毛。group默認值為0。

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)都许。group默認值為0稻薇。

span([group]):

返回(start(group), end(group))。

expand(template):

將匹配到的分組代入template中然后返回胶征。template中可以使用id或g塞椎、g引用分組,但不能使用編號0睛低。id與g是等價的案狠;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'钱雷,只能使用g<1>0骂铁。

下面來用一個py實例輸出所有的內(nèi)容加深理解:

代碼如下:

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

#一個簡單的match實例

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.*)','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<2>?g<1>g<3>'):",?m.expand(r'2?13')

###output###

#?m.string:?hello?world!

#?m.re:?<_sre.SRE_Pattern?object?at0x016E1A38>

#?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?13'):?world?hello!

2.3. Pattern

Pattern對象是一個編譯好的正則表達式,通過Pattern提供的一系列方法可以對文本進行匹配查找罩抗。

Pattern不能直接實例化拉庵,必須使用re.compile()進行構造,也就是re.compile()返回的對象套蒂。

Pattern提供了幾個可讀屬性用于獲取表達式的相關信息:

pattern: 編譯時用的表達式字符串钞支。

flags: 編譯時用的匹配模式茫蛹。數(shù)字形式。

groups: 表達式中分組的數(shù)量烁挟。

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

可以用下面這個例子查看pattern的屬性:

代碼如下:

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

#一個簡單的pattern實例

importre

p?=?re.compile(r'(w+)?(w+)(?P.*)',?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.*)

#?p.flags:16

#?p.groups:3

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

最后注意光理論是不夠的柬采。這里順便送大家一套2020最新PYTHON網(wǎng)絡爬蟲從入門到實踐、Python開發(fā)技術詳解且警,《Python爬蟲開發(fā)與項目實戰(zhàn)》等學習資料警没,需要的小伙伴,添加w?:bjmsb07 即可獲得振湾!

文章到此結束了杀迹,感謝大家的閱讀,希望小伙伴們給個關注押搪,喜歡文章的記得轉(zhuǎn)發(fā)收藏奧树酪!

?著作權歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市大州,隨后出現(xiàn)的幾起案子续语,更是在濱河造成了極大的恐慌,老刑警劉巖厦画,帶你破解...
    沈念sama閱讀 211,743評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件疮茄,死亡現(xiàn)場離奇詭異,居然都是意外死亡根暑,警方通過查閱死者的電腦和手機力试,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,296評論 3 385
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來排嫌,“玉大人畸裳,你說我怎么就攤上這事〈镜兀” “怎么了怖糊?”我有些...
    開封第一講書人閱讀 157,285評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長颇象。 經(jīng)常有香客問我伍伤,道長,這世上最難降的妖魔是什么遣钳? 我笑而不...
    開封第一講書人閱讀 56,485評論 1 283
  • 正文 為了忘掉前任扰魂,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘阅爽。我一直安慰自己,他們只是感情好荐开,可當我...
    茶點故事閱讀 65,581評論 6 386
  • 文/花漫 我一把揭開白布付翁。 她就那樣靜靜地躺著,像睡著了一般晃听。 火紅的嫁衣襯著肌膚如雪百侧。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,821評論 1 290
  • 那天能扒,我揣著相機與錄音佣渴,去河邊找鬼。 笑死初斑,一個胖子當著我的面吹牛辛润,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播见秤,決...
    沈念sama閱讀 38,960評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼砂竖,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了鹃答?” 一聲冷哼從身側(cè)響起乎澄,我...
    開封第一講書人閱讀 37,719評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎测摔,沒想到半個月后置济,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,186評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡锋八,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,516評論 2 327
  • 正文 我和宋清朗相戀三年浙于,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片挟纱。...
    茶點故事閱讀 38,650評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡路媚,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出樊销,到底是詐尸還是另有隱情整慎,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布围苫,位于F島的核電站裤园,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏剂府。R本人自食惡果不足惜拧揽,卻給世界環(huán)境...
    茶點故事閱讀 39,936評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧淤袜,春花似錦痒谴、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,757評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至烦周,卻和暖如春尽爆,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背读慎。 一陣腳步聲響...
    開封第一講書人閱讀 31,991評論 1 266
  • 我被黑心中介騙來泰國打工漱贱, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人夭委。 一個月前我還...
    沈念sama閱讀 46,370評論 2 360
  • 正文 我出身青樓幅狮,卻偏偏與公主長得像,于是被迫代替她去往敵國和親株灸。 傳聞我的和親對象是個殘疾皇子彪笼,可洞房花燭夜當晚...
    茶點故事閱讀 43,527評論 2 349