Python "爬虫"出发前的装备之一正则表达式

1. 正则表达式

正则表达式是一种模板表达式语言

通过定义规则去匹配、查找、替换、分割一个长字符串中特定的子字符信息。

如在一篇文章中查找出所有合法的电子邮箱地址，则可以先用正则表达式定义一个电子邮箱规则，然后再使用这个规则在整个字符串中查找。

爬虫程序一般都会借助正则表达式定义的规则在爬出来的内容中做精细化筛检。

正则表达式有自己独立于其它计算机语言的语法结构，且大部分计算机编程语言都提供有对正则表达式的支持。如 Java、JavaScript、python……

1.1 正则表达式语法

普通字符匹配规则

普通字符指字母、数字、汉字、下划线、以及没有特殊定义的标点符号。正则表达式中的普通字符，在匹配一个字符串的时候，匹配与之相同的一个字符。

如需在 “This is my love” 中匹配 “love” 子字符串，则表达式就是 "love"。

转义符匹配规则

在正则表达式语法中有很多字符除了其自身意义外，还有语法赋予的特殊意义。如：^、$、？、*……

如在 This is my lo$ve 中匹配出 lo$ve，则表达式不能写成 lo$ve。默认情况下，正则表达式的语法解析器不会把 $ 其视为其自身含义，而是把它解析成特定的含义（边界定义）。所以表达式中需使用转义符 \ 进行转义。需写成 lo$ve

另，有些无法输入的字符也需要通过转义符进行转义：

\n	代表换行符
\t	制表符
\	代表**本身
^ ，$,.，(， ) ， {，** } ， ? ， + ， * ， | ，[，** ]	匹配这些字符本身

标准字符集

如果需要在一个字符串中匹配一些具有共同特征的字符，则可以使用字符集规则，如在一个 Firse 1,Second 2,Three 3……字符串中匹配所有数字或所有空格。

\d	任意一个数字，****0~9 中的任意一个
\w	任意一个字母或数字或下划线，也就是 AZ,az,0~9,_ 中任意一个
\s	包括空格、制表符、换行符等空白字符的其中任意一个
.	小数点可以匹配任意一个字符

Tip: 标准字符集是区分大小写的

大小写都能描述特定的字符群体，互为相反关系。如 \d 指任意数字，\D 指除了数字之外的其它字符。

自定义字符集合

用户可以定义自己的字符集合，用来满足开发时的特定需要，如在 123456789ABaCbDEcdFG 中查找或匹配奇数和小写字母。

自定义集合使用 [ ] 来定义。

[ab5@]	匹配 "a" 或 "b" 或 "5" 或 "@"
[^ abc]	匹配 a,b,c 之外的任意一个字符
[f-k]	匹配 "f"~"k" 之间的任意一个字母
[^A-F0-3]	匹配 "A""F","0""3" 之外的任意一个字符

正则表达式中的特殊符号，如果被包含于中括号中，则失去特殊意义，但 \ [ ] : ^ - 除外。
比如：[\d.-+]，将可以匹配数字，小数点和 + - 符号。（小数点和 + 号失去语法赋予的意义）

修饰匹配次数的特殊符号

{n}	**表达式重复 n次 **
{m,n}	表达式至少重复 m 次，最多重复 n 次
{m,}	表达式至少重复 m 次
?	匹配表达式 0 次或者 1 次，相当于 {0,1}
+	表达式至少出现 1 次，相当于 {1,}
*	表达式不出现或出现任意次，相当于 {0,}**

• 贪婪模式：匹配字符越多越好
• 非贪婪模式：匹配字符越少越好，需要在修饰匹配次数的特殊符号后再加上一个 "?" 号

正则表达式的语法相对而言较简单，可以在使用过程中查阅相关文档

2. Python 中使用正则表达式

Python 提供有正则表达式模块，使用时只需要导入即可。

import re

re 模块中提供了几个常用方法

• re.match(p,text) 方法：匹配成功则返回一个 Match 匹配对象，匹配不成功则返回一个 None
• re.search(p,text) 方法：在 text 字符串中查找匹配的内容，如果找到则返回第1个匹配的 Match 对象，否则返回None
• re.findall() 方法：在 text 字符串中查找所有匹配的内容。如果找到，返回所有匹配的字符串列表。否则，返回None
• re.sub(p,newstr,oldstr,count=0) 方法：替换匹配的子字符串。返回值是替换之后的字符串
• re.split(p,string,maxsplit=0) 方法： 对字符串进行分割。返回值字符串列表

2.1 re.match 方法

方法原型说明：

import re
re.match(pattern, string, flags=0)

• pattern 正则表达式
• string 要匹配的字符串
• flags 用来控制正则表达式的匹配方式，如是否区分大小写、多行匹配等

Tip：从字符串起始位置匹配，如果从起始位置匹配不了，就返回 none。

案例一：

import re
m = re.match('www', 'www.baidu.com')
print ("结果： ", m)
print ("起始与终点：", m.span())
print ("起始位置：", m.start())
print ("终点位置：", m.end())

输出结果：

结果：  <re.Match object; span=(0, 3), match='www'>
起始与终点： (0, 3)
起始位置： 0
终点位置： 3

案例二：

import  re
line = "You are just the person I want to see"
m = re.match(r'(.*) are (.*?) the', line)
print ("结果:", m)
# groups()  返回匹配的字符列表
for res in m.groups():
    print(res)
print("匹配上的完整子字符串",m.group(0))
# 和 groups() 中的结果一致
print("第一个匹配上的字符：",m.group(1))
print("第一个匹配上的字符：",m.group(2))

2.2 re.search 方法

原型说明：

import re
re.search(pattern, string, flags=0)

Tip： re.search 方法的参数语义和 re.match 方法相同

re.match 方法只能从字符串的起始位置进行匹配 ，re.search扫描整个字符串并返回第一个成功的匹配。其它的性质则是一样的。

案例：

import re
m_match = re.match('baidu', 'www.baidu.com')
m_search = re.search('baidu', 'www.baidu.com')
print ("re.match 输出结果：",m_match)
print ("re.search 输出结果：",m_search)

输出结果

re.match 输出结果： None
re.search 输出结果： <re.Match object; span=(4, 9), match='baidu'>

2.3 re.findall 方法

原型说明

import re
re.findall(pattern, string, flags=0)

Tip ：re.findall 方法的参数说明和 re.search 相同

• re.search　方法匹配到一个结果后便结束
• re.findall 顾名思义，会找到所有符合规则的匹配项，并以列表类型返回

案例:

import re
#返回 Match 类型
re_match = re.match('[0-9]+', '12345 is the first number, 23456 is the sencond')
#返回 Match 类型
re_search = re.search('[0-9]+', 'The first number is 12345, 23456is the sencond')
# #返回列表类型
re_findall = re.findall('[0-9]+', '12345 is the first number,23456 is the sencond')

print ("re.match:",re_match.group())
print ("re_search",re_search.group())
print ("re_findall:",re_findall)

输出结果:

re.match: 12345
re_search 12345
re_findall: ['12345', '23456']

2.4 re.sub 方法

方法原型说明:

import re
re.sub(pattern, repl, string, count=0, flags=0)

• pattern是正则表达式
• repl是用于替换的新字符串
• string是即将被替换的旧字符串
• count是要替换的最大数量，默认值为零

import  re
p=r'\d+'
text="AB12CD34EF56HK"
replace_text=re.sub(p,' ',text)
print("默认替换所有：",replace_text)
replace_text=re.sub(p,' ',text,count=1)
print("仅替换一次：",replace_text)
replace_text=re.sub(p,' ',text,count=2)
print("仅替换二次：",replace_text)

输出结果:

默认替换所有： AB CD EF HK
仅替换一次： AB CD34EF56HK
仅替换二次： AB CD EF56HK

2.5 re.split 方法

方法原型说明：

import re
re.split(pattern, string, maxsplit=0, flags=0)

• pattern是正则表达式
• string是要分割的字符串
• maxsplit是最大分割次数。默认值为零，表示分割次数没有限制

案例:

import re

p = r'\d+'
text = 'AB12CD34EF56GH'
lst = re.split(p, text)
print("默认对整个字符串进行分割：", lst)
lst = re.split(p, text, maxsplit=1)
print("仅分割一次：", lst)
lst = re.split(p, text, maxsplit=2)
print("分割二次：", lst)

输出结果

默认对整个字符串进行分割： ['AB', 'CD', 'EF', 'GH']
仅分割一次： ['AB', 'CD34EF56GH']
分割二次： ['AB', 'CD', 'EF56GH']

总结

python 提供的 re 模块中有很多方法可借助正则表达式方便、快捷地完成字符串的相关操作，对于爬虫程序来讲正则表达式是其不可忽视的一部分。