為什么要學(xué)正則表達(dá)式
實(shí)際上爬蟲一共就四個(gè)主要步驟：
- 明確目標(biāo) (要知道你準(zhǔn)備在哪個(gè)范圍或者網(wǎng)站去搜索)
- 爬 (將所有的網(wǎng)站的內(nèi)容全部爬下來)
- 取 (去掉對(duì)我們沒用處的數(shù)據(jù))
- 處理數(shù)據(jù)（按照我們想要的方式存儲(chǔ)和使用）
我們?cè)谧蛱斓陌咐飳?shí)際上省略了第3步驮瞧，也就是"取"的步驟涯塔。因?yàn)槲覀僤own下了的數(shù)據(jù)是全部的網(wǎng)頁(yè)，這些數(shù)據(jù)很龐大并且很混亂梗顺，大部分的東西使我們不關(guān)心的，因此我們需要將之按我們的需要過濾和匹配出來车摄。
那么對(duì)于文本的過濾或者規(guī)則的匹配寺谤，最強(qiáng)大的就是正則表達(dá)式，是Python爬蟲世界里必不可少的神兵利器吮播。
什么是正則表達(dá)式
正則表達(dá)式变屁，又稱規(guī)則表達(dá)式，通常被用來檢索意狠、替換那些符合某個(gè)模式(規(guī)則)的文本粟关。
正則表達(dá)式是對(duì)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环戈、及這些特定字符的組合闷板，組成一個(gè)“規(guī)則字符串”，這個(gè)“規(guī)則字符串”用來表達(dá)對(duì)字符串的一種過濾邏輯院塞。
給定一個(gè)正則表達(dá)式和另一個(gè)字符串遮晚，我們可以達(dá)到如下的目的：
- 給定的字符串是否符合正則表達(dá)式的過濾邏輯（“匹配”）；
- 通過正則表達(dá)式拦止，從文本字符串中獲取我們想要的特定部分（“過濾”）县遣。
正則表達(dá)式匹配規(guī)則
day52_爬蟲-非結(jié)構(gòu)化數(shù)據(jù)與結(jié)構(gòu)化數(shù)據(jù)提取-02.png
Python 的 re 模塊
在 Python 中，我們可以使用內(nèi)置的 re 模塊來使用正則表達(dá)式创泄。
有一點(diǎn)需要特別注意的是艺玲，正則表達(dá)式使用 對(duì)特殊字符進(jìn)行轉(zhuǎn)義，所以如果我們要使用原始字符串鞠抑，只需加一個(gè) r 前綴饭聚，示例：
r'chuanzhiboke\t\.\tpython'
re 模塊的一般使用步驟如下：
使用
compile()函數(shù)將正則表達(dá)式的字符串形式編譯為一個(gè)Pattern對(duì)象通過
Pattern對(duì)象提供的一系列方法對(duì)文本進(jìn)行匹配查找，獲得匹配結(jié)果搁拙，一個(gè) Match 對(duì)象秒梳。最后使用
Match對(duì)象提供的屬性和方法獲得信息，根據(jù)需要進(jìn)行其他的操作
compile 函數(shù)
compile 函數(shù)用于編譯正則表達(dá)式箕速，生成一個(gè) Pattern 對(duì)象酪碘，它的一般使用形式如下：
import re
# 將正則表達(dá)式編譯成 Pattern 對(duì)象
pattern = re.compile(r'\d+')
在上面，我們已將一個(gè)正則表達(dá)式編譯成 Pattern 對(duì)象盐茎，接下來兴垦，我們就可以利用 pattern 的一系列方法對(duì)文本進(jìn)行匹配查找了。
Pattern 對(duì)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探越，一次匹配
- findall 方法：全部匹配狡赐，返回列表
- finditer 方法：全部匹配，返回迭代器
- split 方法：分割字符串钦幔，返回列表
- sub 方法：替換
match 方法
match 方法用于查找字符串的頭部（也可以指定起始位置）枕屉，它是一次匹配，只要找到了一個(gè)匹配的結(jié)果就返回鲤氢，而不是查找所有匹配的結(jié)果搀擂。它的一般使用形式如下：
match(string[, pos[, endpos]])
其中，string 是待匹配的字符串卷玉，pos 和 endpos 是可選參數(shù)哨颂，指定字符串的起始和終點(diǎn)位置，默認(rèn)值分別是 0 和 len (字符串長(zhǎng)度)揍庄。因此咆蒿，當(dāng)你不指定 pos 和 endpos 時(shí)东抹，match 方法默認(rèn)匹配字符串的頭部蚂子。
當(dāng)匹配成功時(shí)，返回一個(gè) Match 對(duì)象缭黔，如果沒有匹配上食茎，則返回 None。
>>> import re
>>> pattern = re.compile(r'\d+') # 用于匹配至少一個(gè)數(shù)字
>>> m = pattern.match('one12twothree34four') # 查找頭部馏谨，沒有匹配
>>> print m
None
>>> m = pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開始匹配别渔，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(gè) Match 對(duì)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)
在上面惧互，當(dāng)匹配成功時(shí)返回一個(gè) Match 對(duì)象哎媚，其中：
group([group1, …]) 方法用于獲得一個(gè)或多個(gè)分組匹配的字符串，當(dāng)要獲得整個(gè)匹配的子串時(shí)喊儡，可直接使用 group() 或 group(0)拨与；
start([group]) 方法用于獲取分組匹配的子串在整個(gè)字符串中的起始位置（子串第一個(gè)字符的索引），參數(shù)默認(rèn)值為 0艾猜；
end([group]) 方法用于獲取分組匹配的子串在整個(gè)字符串中的結(jié)束位置（子串最后一個(gè)字符的索引+1）买喧，參數(shù)默認(rèn)值為 0；
span([group]) 方法返回 (start(group), end(group))匆赃。
再看看一個(gè)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 # 匹配成功淤毛，返回一個(gè) Match 對(duì)象
<_sre.SRE_Match object at 0x10bea83e8>
>>> m.group(0) # 返回匹配成功的整個(gè)子串
'Hello World'
>>> m.span(0) # 返回匹配成功的整個(gè)子串的索引
(0, 11)
>>> m.group(1) # 返回第一個(gè)分組匹配成功的子串
'Hello'
>>> m.span(1) # 返回第一個(gè)分組匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二個(gè)分組匹配成功的子串
'World'
>>> m.span(2) # 返回第二個(gè)分組匹配成功的子串
(6, 11)
>>> m.groups() # 等價(jià)于 (m.group(1), m.group(2), ...)
('Hello', 'World')
>>> m.group(3) # 不存在第三個(gè)分組
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: no such group
------------------------------------------------------------------------------------------------------
search 方法
search 方法用于查找字符串的任何位置，它也是一次匹配算柳，只要找到了一個(gè)匹配的結(jié)果就返回低淡，而不是查找所有匹配的結(jié)果，它的一般使用形式如下：
search(string[, pos[, endpos]])
其中，string 是待匹配的字符串蔗蹋，pos 和 endpos 是可選參數(shù)事期，指定字符串的起始和終點(diǎn)位置，默認(rèn)值分別是 0 和 len (字符串長(zhǎng)度)纸颜。
當(dāng)匹配成功時(shí)兽泣，返回一個(gè) Match 對(duì)象，如果沒有匹配上胁孙，則返回 None唠倦。
讓我們看看例子：
>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four') # 這里如果使用 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(qū)間
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)
再來看一個(gè)例子：
# -*- coding: utf-8 -*-
import re
# 將正則表達(dá)式編譯成 Pattern 對(duì)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(shí)將返回 None
# 這里使用 match() 無(wú)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(jié)束位置
print 'position:',m.span()
執(zhí)行結(jié)果：
matching string: 123456
position: (6, 12)
------------------------------------------------------------------------------------------------------
findall 方法
上面的 match 和 search 方法都是一次匹配涮较，只要找到了一個(gè)匹配的結(jié)果就返回稠鼻。然而，在大多數(shù)時(shí)候狂票，我們需要搜索整個(gè)字符串候齿，獲得所有匹配的結(jié)果。
findall 方法的使用形式如下：
findall(string[, pos[, endpos]])
其中闺属，string 是待匹配的字符串慌盯，pos 和 endpos 是可選參數(shù)，指定字符串的起始和終點(diǎn)位置掂器，默認(rèn)值分別是 0 和 len (字符串長(zhǎng)度)亚皂。
findall 以列表形式返回全部能匹配的子串，如果沒有匹配国瓮，則返回一個(gè)空列表灭必。
看看例子：
import re
pattern = re.compile(r'\d+') # 查找數(shù)字
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print result1
print result2
執(zhí)行結(jié)果：
['123456', '789']
['1', '2']
再先看一個(gè)栗子：
# re_test.py
import re
#re模塊提供一個(gè)方法叫compile模塊，提供我們輸入一個(gè)匹配的規(guī)則
#然后返回一個(gè)pattern實(shí)例乃摹，我們根據(jù)這個(gè)規(guī)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(yùn)行結(jié)果：
123.141593
3.15
------------------------------------------------------------------------------------------------------
finditer 方法
finditer 方法的行為跟 findall 的行為類似禁漓，也是搜索整個(gè)字符串，獲得所有匹配的結(jié)果孵睬。但它返回一個(gè)順序訪問每一個(gè)匹配結(jié)果（Match 對(duì)象）的迭代器播歼。
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(duì)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(zhí)行結(jié)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)
------------------------------------------------------------------------------------------------------
split 方法
split 方法按照能夠匹配的子串將字符串分割后返回列表，它的使用形式如下：
split(string[, maxsplit])
其中肪康，maxsplit 用于指定最大分割次數(shù)荚恶，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(zhí)行結(jié)果：
['a', 'b', 'c', 'd']
------------------------------------------------------------------------------------------------------
sub 方法
sub 方法用于替換磷支。它的使用形式如下：
sub(repl, string[, count])
其中谒撼，repl 可以是字符串也可以是一個(gè)函數(shù)：
如果 repl 是字符串，則會(huì)使用 repl 去替換字符串每一個(gè)匹配的子串雾狈，并返回替換后的字符串廓潜，另外，repl 還可以使用 id 的形式來引用分組，但不能使用編號(hào) 0辩蛋；
如果 repl 是函數(shù)呻畸，這個(gè)方法應(yīng)當(dāng)只接受一個(gè)參數(shù)（Match 對(duì)象），并返回一個(gè)字符串用于替換（返回的字符串中不能再引用分組）悼院。
count 用于指定最多替換次數(shù)伤为，不指定時(shí)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):
return 'hi' + ' ' + m.group(2)
print p.sub(func, s)
print p.sub(func, s, 1) # 最多替換一次
執(zhí)行結(jié)果：
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
------------------------------------------------------------------------------------------------------
匹配中文
在某些情況下据途，我們想匹配文本中的漢字绞愚，有一點(diǎn)需要注意的是，中文的 unicode 編碼范圍 主要在 [u4e00-u9fa5]颖医，這里說主要是因?yàn)檫@個(gè)范圍并不完整位衩，比如沒有包括全角（中文）標(biāo)點(diǎn)，不過熔萧，在大部分情況下糖驴，應(yīng)該是夠用的。
假設(shè)現(xiàn)在想把字符串 title = u'你好佛致，hello贮缕，世界' 中的中文提取出來，可以這么做：
import re
title = u'你好晌杰，hello跷睦，世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print result
注意到，我們?cè)谡齽t表達(dá)式前面加上了兩個(gè)前綴 ur肋演，其中 r 表示使用原始字符串烂琴，u 表示是 unicode 字符串。
執(zhí)行結(jié)果:
[u'\u4f60\u597d', u'\u4e16\u754c']
注意：貪婪模式與非貪婪模式
- 貪婪模式：在整個(gè)表達(dá)式匹配成功的前提下，盡可能多的匹配 ( * )；
- 非貪婪模式：在整個(gè)表達(dá)式匹配成功的前提下，盡可能少的匹配 ( ? )卿捎；
- Python里數(shù)量詞默認(rèn)是貪婪的。
示例一 ： 源字符串：abbbc
-
使用貪婪的數(shù)量詞的正則表達(dá)式
ab*伪很，匹配結(jié)果： abbb。*決定了盡可能多匹配 b，所以a后面所有的 b 都出現(xiàn)了。 -
使用非貪婪的數(shù)量詞的正則表達(dá)式
ab*?洞就，匹配結(jié)果： a。即使前面有
*，但是?決定了盡可能少匹配 b吞彤，所以沒有 b井仰。
示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc
使用貪婪的數(shù)量詞的正則表達(dá)式：
<div>.*</div>匹配結(jié)果：
<div>test1</div>bb<div>test2</div>
這里采用的是貪婪模式破加。在匹配到第一個(gè)“
</div>”時(shí)已經(jīng)可以使整個(gè)表達(dá)式匹配成功俱恶，但是由于采用的是貪婪模式，所以仍然要向右嘗試匹配范舀，查看是否還有更長(zhǎng)的可以成功匹配的子串合是。匹配到第二個(gè)“</div>”后，向右再?zèng)]有可以成功匹配的子串锭环，匹配結(jié)束聪全，匹配結(jié)果為“<div>test1</div>bb<div>test2</div>”
使用非貪婪的數(shù)量詞的正則表達(dá)式：
<div>.*?</div>匹配結(jié)果：
<div>test1</div>
正則表達(dá)式二采用的是非貪婪模式，在匹配到第一個(gè)“
</div>”時(shí)使整個(gè)表達(dá)式匹配成功辅辩，由于采用的是非貪婪模式难礼，所以結(jié)束匹配，不再向右嘗試玫锋，匹配結(jié)果為“<div>test1</div>”蛾茉。
