Python(爬虫篇)--- 正则表达式


一、为什么要学正则表达式

实际上爬虫一共就四个主要步骤:

  1. 明确目标(要知道你准备在哪个范围或者网站去搜索)
  2. 爬(将所有的网站的内容全部爬下来)
  3. 取(去掉对我们没用处的数据)
  4. 处理数据(按照我们想要的方式存储和使用)

我们在之前的案例里实际上省略了第 3 步,也就是"取"的步骤。因为我们 down 下了的 数据是全部的网页,这些数据很庞大并且很混乱,大部分的东西使我们不关心的,因此我们 需要将之按我们的需要过滤和匹配出来。 那么对于文本的过滤或者规则的匹配,最强大的就是正则表达式,是 Python 爬虫世界 里必不可少的神兵利器。

二、基础正则表达式语法

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
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这 些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过 滤逻辑。
给定一个正则表达式和另一个字符串,我们可以达到如下的目的:

  1. 给定的字符串是否符合正则表达式的过滤逻辑(“匹配”);
  2. 通过正则表达式,从文本字符串中获取我们想要的特定部分(“过滤”)。

(一)元字符

常见元字符:前面提到的元字符\b 表示匹配单词的开始和结束。引出其他元字符

  1. 匹配边界
元字符含义
^匹配行首
$匹配行尾
  1. 重复次数
元字符含义
?重复匹配 0 次或 1 次
*重复匹配 0 次或更多次
+重复匹配 1 次或更多次 1
{n,}重复 n 次或更多次
{n,m}重复 n~m 次
{n}重复 n 次
  1. 各种字符的表示
元字符含义
[a-z]任意 a-z 的字母
[abc]a/b/c 中的任意一个字符
[^123abc]匹配除了 123 abc 这几个字符以外的任意字符
.匹配除换行符以外的任意一个字符
\b匹配单词的开始和结束
\B匹配不是单词开始和结束的位置
\d匹配数字
\D匹配任意非数字的字符
\w匹配字母,数字,下划线
\W匹配任意不是字母,数字,下划线的字符
\s匹配任意空白,包括空格,制表符(Tab),换行符
\S匹配任意不是空白符的字符
  1. 其他
元字符含义
[^a]匹配除了a 以外的任意字符
123丨abc匹配 123 或者abc

(二)python 中正则表达式模块——re

在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。有一点需要特别注意的是,正则表达式使用对特殊字符进行转义,所以如果我们要使用原始字符串,只需加一个r 前缀。

re 模块的一般使用步骤如下:
第一步: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。
第二步:通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果,一个 Match 对象。
第三步:最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作。

compile 函数
compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:

import re
pattern = re.compile('正则表达式')

Pattern 对象的一些常用方法主要有:

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

1. match方法

语法:match(‘待匹配字符串’[,起始索引,结束索引])

说明:
从头开始匹配,如果开头的字符不符合匹配规则,直接返回None
如果匹配成功,返回的是match对象
如果没有匹配成功,返回None

例:

import re

str = '123hello456world'

match_pattern = re.compile(r'\d+')
result = match_pattern.match(str)
result = match_pattern.match(str,8,12)
print(result)  # <_sre.SRE_Match object; span=(0, 3), match='123'>

如果要进行分组,必须使用()来进行分组
可以使用group(n)来获取对应组的内容,n是从1开始
可以使用group()获取匹配成功的内容

例:

import re

group_str = '123hello123world'
match_pattern = re.compile(r'\d+')
result = match_pattern.match(group_str)
print(result.group())  # 123

# group_str = '1h2e3lloworld'
# pattern = re.compile(r'(\d)h(\d)e(\d)')
# result = pattern.match(group_str)
# print(result.group())  # 1h2e3
# print(result.group(1))  # 1
# print(result.group(2))  # 2
# print(result.group(3))  # 3
# print(result.group(0))  # 1h2e3

拓展:分组的反向引用
注意:反向引用不代表分组,只是前面分组的值的引用
例:

import re

html = '<html><h1>helloworld</h1></html>'
pattern = re.compile(r'<(html)><(h1)>(.*)</\2></\1>')
result = pattern.match(html)
print(result.group())
print(result.group(1))
print(result.group(2))
print(result.group(3))
print(result.group(4))  # 报错

span()方法 作用:查看匹配成功的子串的索引范围,支持分组查看

例:

span_str = '1h2e3lloworld'
pattern = re.compile(r'(\d)h(\d)e(\d)')
result = pattern.match(span_str)
print(result.span())  # (0, 5)
print(result.span(2))  # (2, 3)

2. search方法

语法:search(‘待匹配的字符串’[,起始索引,结束索引])

说明:
如果匹配成功,返回match对象
如果开头不符合匹配规则,继续向下匹配
直到整个字符串中都没有找到符合规则的时候,返回None

例:

import re

search_str = '1h2e3lloworld'
search_str = 'h2e3lloworld'
pattern = re.compile(r'\d')
result = pattern.search(search_str)
print(result) #  <_sre.SRE_Match object; span=(0, 1), match='1'>

3. findall方法

语法:findall(‘待匹配的字符串’[,起始索引,结束索引])

说明:
全局匹配,和match、search放均不同
所有符合条件的子串,全部返回,返回的是一个列表,列表中的元素是匹配成功的内容
列表中元素不是match对象
如果没有符合条件的子串,返回的是一个空列表

例:

import re

findall_str = '1h2e3lloworld'
findall_str2 = 'helloworld'
pattern = re.compile('\d')
result = pattern.findall(findall_str)
result2 = pattern.findall(findall_str2)
print(result)  # ['1', '2', '3']
print(result2)  # []

4. finditer方法

说明:
全局匹配 和findall()相似
如果匹配成功,返回的是可迭代的对象,可迭代对象中,包含所有匹配成功的match对象

例:

finditer_str = '1h2e3lloworld'
pattern = re.compile('\d')
result = pattern.finditer(finditer_str)
# print(result)  # <callable_iterator object at 0x000000000288E710>
for i in result:
    print(i)  # match对象
    print(i.group())

5. split方法

语法:split(‘待切割的字符串’[,maxsplit])

说明:
切割方法,返回列表
可以使用maxsplit指定最大的切割次数

例:

import re

split_str = 'a,b,c;d e'
pattern = re.compile(r'[,; ]')
result = pattern.split(split_str)
print(result)  # ['a', 'b', 'c', 'd', 'e']

result = pattern.split(split_str,maxsplit=2)
print(result)  # ['a', 'b', 'c;d e']

6. sub方法

语法:sub(‘新的字符串’,‘旧的字符串’)

说明:替换方法

第一种:直接替换
例:

import re

sub_str = 'hello 123,hello 456'
pattern = re.compile(r'(\w+) (\d+)')
result = pattern.sub('hi world',sub_str)
print(result)  # hi world,hi world

第二种:使用函数
语法:sub(‘函数名’,‘旧的字符串’)
说明:
对函数的要求:

  1. 函数必须要有形式参数,参数作用:代表匹配到的子串
  2. 函数必须要有返回值,返回值必须是字符串类型,返回值作用:代表新的字符串

例:

import re

sub_str = 'hello 123,hello 456'
pattern = re.compile(r'(\w+) (\d+)')
def func(m):
    print(m)
    return 'hi ' + m.group(2)
result = pattern.sub(func,sub_str)
print(result)  # hi 123,hi 456

7. 贪婪模式和非贪婪模式

贪婪模式:尽可能多的获取
非贪婪模式:尽可能少的获取

例:

import re

html = '<div>hello</div><div>world</div><div>python</div><div>java</div>'
# 贪婪模式:
pattern = re.compile(r'<div>(.*)</div>')
result = pattern.findall(html)
print(result) # ['hello</div><div>world</div><div>python</div><div>java']

# 非贪婪模式:
pattern = re.compile(r'<div>(.*?)</div>')
result = pattern.findall(html)
print(result)  # ['hello', 'world', 'python', 'java']

8. 爬虫的万能表达式

.*?(非贪婪模式) 需要配合边界值使用

re.compile(r’<边界>(.*?)</边界>’,re.S) 无敌表达式
re.S:代表能够匹配到换行
re.I:代表忽略大小写

9. 匹配中文

中文编码:[\u4e00-\u9fa5]

例:

import re

cn_str = 'hello 你好 world 世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
res = pattern.findall(cn_str)
print(res)  # ['你好', '世界']

三、案例----猫眼电影TOP100榜单信息爬取

需求:获取猫眼电影TOP100榜下,所有电影的排名、电影名、主演、上映时间以及评分

完整代码:

# 1. 导入requests模块
import requests,re

# 定义请求头
headers = {
    'User-Agent': '略',
    'Cookie': '略'
}

# 分页:找出URL规律
# 第二页:https://maoyan.com/board/4?offset=10
# 第三页:https://maoyan.com/board/4?offset=20
# 第n页:https://maoyan.com/board/4?offset=(n-1)*10

# 定义参数字典
params = {}

# 制定获取dd之间的内容
dd_pattern = re.compile(r'<dd>(.*?)</dd>',re.S)
# 制定获取排名规则
rank_pattern = re.compile(r'<i class="board-index board-index-\d+">(.*?)</i>', re.S)

# 制定获取电影名的规则
movie_pattern = re.compile(r'<p class="name"><a.*?>(.*?)</a></p>', re.S)

# 制定获取主演的规则
actor_pattern = re.compile(r'<p class="star">(.*?)</p>', re.S)

# 制定获取上映时间的规则
release_time_pattern = re.compile(r'<p class="releasetime">(.*?)</p>', re.S)

# 制定获取评分的规则
score_pattern = re.compile(r'<p class="score"><i class="integer">(.*?)</i>'
                           r'<i class="fraction">(.*?)</i></p>', re.S)
for page in range(1,11):
    params['offset'] = (page-1)*10

    # 2. 发起请求
    response = requests.get(url='https://maoyan.com/board/4',headers=headers,params=params)

    # 提取数据
    dd_list = dd_pattern.findall(response.text)

    # 循环获取电影信息
    for dd in dd_list:
        # print(dd)
        # 获取排名
        rank = rank_pattern.findall(dd)[0]
        # 获取电影名
        movie = movie_pattern.findall(dd)[0]
        # 获取主演
        actor = actor_pattern.findall(dd)[0].strip()
        # 获取上映时间
        release_time = release_time_pattern.findall(dd)[0]
        # 获取评分
        score = score_pattern.findall(dd)[0]
        score_full = score[0]+score[1]
        print(rank,movie,actor,release_time,score_full)

  • 2
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值