爬虫——re正则解析器

最新推荐文章于 2024-08-24 07:26:05 发布

TT9980

最新推荐文章于 2024-08-24 07:26:05 发布

阅读量395

点赞数

分类专栏：爬虫正则表达式文章标签：正则表达式 python

本文链接：https://blog.csdn.net/TT9980/article/details/103638882

版权

爬虫同时被 2 个专栏收录

7 篇文章 0 订阅

订阅专栏

正则表达式

1 篇文章 0 订阅

订阅专栏

用正则表达式提取数据

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。

在这里插入图片描述
单字符匹配，多字符匹配，匹配分组，（三大类）

对文本进行匹配查找的一系列方法
😃 match 方法：从起始位置开始查找，一次匹配
😃 search 方法：从任何位置开始查找，一次匹配
😃 findall 方法：全部匹配，返回列表
😃 finditer 方法：全部匹配，返回迭代器
😃 split 方法：分割字符串，返回列表
😃 sub 方法：替换

这些方法要牢记哦！

数据提取中常用的操作

1.抓取标签间的内容

案例：抓取 title 标签间的内容

from urllib import request
import re
import chardet
def down(url):
 	 head = {}
 
	 #写入 User Agent 信息
	 head['User-Agent'] = 'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D)
		AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19'

	 #创建 Request 对象
	 req = request.Request(url, headers=head)
	 response = request.urlopen(req)
	 html = response.read()
	 charset = chardet.detect(html)
	 #print(charset)
	 #print(charset['encoding'])
	 html = html.decode(charset['encoding'])
	 return html
 
if __name__ == "__main__":
	 #print('hello')
	 html = down("https://fanyi.baidu.com/")
	 pat = r'<title>(.*?)</title>'
	 ex = re.compile(pat, re.M|re.S) #只取中间的文字
	 obj = re.search(ex, html)
	 title = obj.group(1)
	 print(title)

案例：抓取超链接标签间的内容

from urllib import request
import re
import chardet
def down(url):
	 head = {}
	 
	 #写入 User Agent 信息
	 head['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36
	(KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
	
	 #创建 Request 对象
	 req = request.Request(url, headers=head)
	 response = request.urlopen(req)
	 html = response.read()
	 charset = chardet.detect(html)
	 #print(charset)
	 print(charset['encoding'])
	 html = html.decode(charset['encoding'])
	 return html
 
if __name__ == "__main__":

	 # 获取超链接<a>和</a>之间内容
	 url = "https://www.baidu.com/"
	 html = down(url)
	 print(html)
	 pat = re.compile(r'<a .*?>(.*?)</a>',re.M|re.S)
	 texts = pat.findall(html)
	 for t in texts:
	 print(t)

案例：抓取 tr\td 标签间的内容

if __name__ == "__main__":
	 content = '''
	 <html>
	<head><title>表格</title></head>
	<body>
	 <table border=1>
	 <tr><th>学号</th><th>姓名</th></tr>
	 <tr><td>1001</td><td>李白</td></tr>
	 <tr><td>1002</td><td>杜甫</td></tr>
	 </table>
	</body>
	</html>
	'''

	 # 获取<tr></tr>间内容
	 res = r'<tr>(.*?)</tr>'
	 texts = re.findall(res, content, re.S | re.M)
	 for m in texts:
		 print(m)
	 
	 # 获取<th></th>间内容
	 for m in texts:
	 res_th = r'<th>(.*?)</th>'
	 m_th = re.findall(res_th, m, re.S | re.M)
	 for t in m_th:
	 	print(t)
 
	 # 直接获取<td></td>间内容
	 res = r'<td>(.*?)</td><td>(.*?)</td>'
	 texts = re.findall(res, content, re.S | re.M)
	 for m in texts:
		 print(m[0], m[1])

2.抓取标签中的参数

案例：抓取超链接标签的 URL

import re
content = '''
<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新闻</a>
<a href="http://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地图</a>
<a href="http://v.baidu.com" name="tj_trvideo" class="mnav">视频</a>
'''

res = r'href="(.+?)"'
urls = re.findall(res, content, re.I | re.S | re.M)
for url in urls:
	 print(url)

案例：抓取图片超链接标签的 URL

import re
content = '''<img alt="Python" src="http://www..csdn.net/eastmount.jpg" />'''
urls = re.findall('src="(.*?)"', content, re.I|re.S|re.M)
print(urls)

案例：获取 URL 中最后一个参数

import re
content = '''<img alt="Python" src="http://www..csdn.net/eastmount.jpg" />'''
urls = 'http://www..csdn.net/eastmount.jpg'
name = urls.split('/')[-1]
print(name)

编译模式（选）

使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象，然后调用正则
表达式对象的相应方法。
推荐使用编译模式，正则对象可以多次使用，可以大大地提高搜索的效率

compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象

import re

# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')

Pattern 对象

提供了对文本进行匹配查找的一系列方法

▶ match 方法：从起始位置开始查找，一次匹配
▶ search 方法：从任何位置开始查找，一次匹配
▶ findall 方法：全部匹配，返回列表
▶ finditer 方法：全部匹配，返回迭代器
▶ split 方法：分割字符串，返回列表
▶ sub 方法：替换

以下是对各种方法的使用讲解！！！

match 方法

从字符串的头部戒者指定位置开始查找一次匹配，只要找到了一个匹配的结果就返回

match(string[, pos[, endpos]])

string 是待匹配的字符串

pos 和 endpos 可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len
(字符串长度)。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

import re

pattern = re.compile(r'\d+') # 用于匹配至少一个数字

m = pattern.match('one12twothree34four') # 查找头部，没有匹配
print(m)

m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
print(m)

m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
print(m) # 返回一个 Match 对象
print(m.group(0)) # 可省略 0
print(m.start(0)) # 可省略 0
print(m.end(0)) # 可省略 0
print(m.span(0)) # 可省略 0

Match 对象

group([group1, …])获得一个戒多个分组匹配的字符串
group() 戒 group(0) 获得整个匹配的子串
start([group]) 获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引）
end([group]) /获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1）
span([group]) 方法返回 (start(group), end(group))。

范例

import re

pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写
m = pattern.match('Hello World Wide Web')
print(m) # 匹配成功，返回一个 Match 对象
print(m.group(0)) # 返回匹配成功的整个子串
print(m.span(0)) # 返回匹配成功的整个子串的索引
print(m.group(1)) # 返回第一个分组匹配成功的子串
print(m.span(1)) # 返回第一个分组匹配成功的子串的索引
print(m.group(2)) # 返回第二个分组匹配成功的子串
print(m.span(2)) # 返回第二个分组匹配成功的子串
print(m.groups()) # 等价于 (m.group(1), m.group(2), ...)
print(m.group(3)) # 不存在第三个分组 IndexError: no such group

search 方法

查找字符串的任何位置，只匹配一次，只要找到了一个匹配的结果就返回

search(string[, pos[, endpos]])

string 是待匹配的字符串

pos 和 endpos 可选参数，指定字符串的起始和终点位置

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

import re

pattern = re.compile('\d+')

m = pattern.search('one12twothree34four') # 这里如果使用 match 方法则不匹配
print(m.group())

m = pattern.search('one12twothree34four', 10, 30) # 指定字符串区间
print(m.group())
print(m.span())

findall 方法

以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

findall(string[, pos[, endpos]])
string 待匹配的字符串
pos 和 endpos 可选参数，指定字符串的起始和终点位置。

范例

import re

pattern = re.compile(r'\d+') # 查找数字

result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)

print(result1)
print(result2)

finditer 方法

搜索所有匹配的结果。返回一个迭代器，可顺序访问每一个匹配的结果（Match 对象）

范例

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 对象
 	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()))

split 方法

按照能够匹配的子串将字符串分割后返回列表
split(string[, maxsplit])
maxsplit 用于指定最大分割次数，丌指定将全部分割。

范例

import re

p = re.compile(r'[\s,;]+')
print(p.split('a,b;; c d'))

sub 方法

方法用于替换。

sub(repl, string[, count])

epl 可以是字符串也可以是一个函数：
▶如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串
▶ 如果 repl 是函数，方法只接受一个参数（Match 对象），并返回一个字符串用于替换。
count 用于指定最多替换次数，丌指定时全部替换。

范例
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' 替换 'hello 123' 和
'hello 456'
print(p.sub(r'\2 \1', s)) # 引用分组
def func(m):
 return 'hi' + ' ' + m.group(2)
print p.sub(func, s)
print p.sub(func, s, 1) # 最多替换一次

贪婪模式与非贪婪模式 (重点！！！)

贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；

非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；

Python 里数量词默认是贪婪的。

示例一

import re

str = 'abbbc'

#贪婪模式
pattern = re.compile(r'ab*') # * 决定了尽可能多匹配 b,结果是 abbb
result = pattern.match(str)
print(result.group())

#非贪婪模式
pattern = re.compile(r'ab*?') # *? 决定了尽可能少匹配 b，结果是 a
result = pattern.match(str)
print(result.group())

pattern = re.compile(r'ab+?') # *? 决定了尽可能少匹配 b，结果是 ab
result = pattern.match(str)
print(result.group())

示例二

import re

#贪婪模式
str = "aa<div>test1</div>bb<div>test2</div>cc"
pattern = re.compile(r'<div>.*</div>') #*决定了尽可能多匹配 b, 结果是<div>test1</div>bb<div>test2</div>
result = pattern.search(str)
print(result.group())

#非贪婪模式
str = "aa<div>test1</div>bb<div>test2</div>cc"
pattern = re.compile(r'<div>.*?</div>') # *? 决定了尽可能少匹配 b，结果是<div>test1</div>
result = pattern.search(str)
print(result.group())

匹配中文

中文的 unicode 编码范围主要在 [u4e00-u9fa5] （全角（中文）标点等除外），丌过，
在大部分情况下，应该是够用的。
假设现在想把字符串 title = u’你好，hello，世界’ 中的中文提取出来，可以这么做：


import re

title = '你好，hello，世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print(result)

再给大家安利一个好用的正则表达式测试网站：
http://tool.oschina.net/regex/

文章纯属手打给个赞哦！！！

TT9980

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
爬虫——re正则解析器

用正则表达式提取数据正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。单字符匹配，多字符匹配，匹配分组，（三大类）对文本进行匹配查找的一系列方法???? match 方法：从起始位置开始查找，一次匹配???? search 方法：从任何位置开始查找，一次匹配???? findall 方法：全部匹配，返回列表???? finditer 方法：全部匹配，返回迭代器???? sp...
复制链接

扫一扫

专栏目录