爬虫（二）正则表达式

一.正则表达式简介

1.什么是正则表达式？

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。

2.使用正则表达式的目的

给定的字符串是否符合正则表达式的过滤逻辑（“匹配”）；
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”）。

二.正则表达式匹配规则

1.正则表达式匹配规则

2.正则表达式匹配规则小案例

（1）实例1

实例1.匹配所有的qq邮箱，username@qq.com,其中username必须是字母数字或者下划线，次数为2-12之间
字母，数字或者下划线：[a-zA-Z0-9_]
非单词字符：\W

import re
pattern1 = r'[a-zA-Z0-9_]{2,12}@qq\.com'
text = 'hello@qq.com 1264573798@qq.com'
pattern1Obj = re.compile(pattern1)
result = pattern1Obj.findall(text)
print(result)

（2）实例2

北美电话的常用格式：（eg：2703877865）
前3位：第一位是区号以2-9开头，第2位是0-8，第三位数字可以任意；
中间三位数字：第一位是交换机号，以2-9开头，后面两位任意
最后四位数字：数字不做限制

import re
pattern2 = r'\(?[2-9][0-8]\d\)?[-\.\s]?[2-9]\d{2}[-\.\s]?\d{4}'
text = '(323)4567890'
pattern2Obj = re.compile(pattern2)
result2 = pattern2Obj.findall(text)
print(result2)

三.re模块

1.re模块一般使步骤

• 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
• 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
• 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

2.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 
# 将正则表达式编译成 Pattern 对象 
pattern = re.compile(r'\d+')

3.Pattern对象

正则表达式编译成 Pattern 对象， 可以利用 pattern 的一系列方法对文本进行匹配查找了。
Pattern 对象的一些常用方法主要有：
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

4.match方法

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回， 而不是查找所有匹配的结果。它的一般使用形式如下：

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

• string 待匹配的字符串
• pos 字符串的起始位置， 默认值是 0
• endpos 字符串的终点位置， 默认值是 len (字符串长度)

match对象
group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；

start([group]) 方法用于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），参数默认 值为 0；

end([group]) 方法用于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），参数 默认值为 0；

span([group]) 方法返回 (start(group), end(group))。

5.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，只要找到了一个匹配的结果就返回，而不是查找所有 匹配的结果，它的一般使用形式如下：

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

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

6.findall方法与finditer方法

findall方法搜索整个字符串，获得所有匹配的结果。使用形式如下：

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

finditer方法的行为跟findall的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match对象）的迭代器

7.split方法

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

maxsplit指定最大分割次数，不指定将全部分割

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

8.sub方法

sub方法用于替换。它的使用方法如下：

sub(rep1, string[, count])

import  re
text = "本文章点赞数为100， 转发数为20"
patternObj = re.compile(r'\d+')
# 将text文本信息中符合patternObj规则的内容替换为0;
result = patternObj.sub('0' , text)
print(result)

# 需求： 匹配到的所有数值+1

def addNum(matchObj):
    """对匹配到的内容+1"""
    if matchObj:
        # 目前num时一个字符串
        num = matchObj.group()
        # 在原有基础上加1 , num时数值类型
        num = int(num) + 1
        return str(num)


def add_perfix(matchObj):
    if matchObj:
        return '1002' + matchObj.group()

result = patternObj.sub(addNum, text)
print(result)

result = patternObj.sub(add_perfix, text)
print(result)

• repl 可以是字符串也可以是一个函数：
  1). 是字符串，使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，
  2). 如果 repl 是函数，这个方法应当只接受一个参数（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，不指定时全部替换。

9.贪婪模式与非贪婪模式

1. 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 ( .* )；
   使用贪婪的数量词的正则表达式 ab* ，匹配结果： abbb。决定了尽可能多匹配 b，所以a后面所有的 b 都出现了。
2. 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 ( ? )；使用非贪婪的数量词的正则表达式 ab*? ，匹配结果： a。 .*? .+?即使前面有 * ，但是 ? 决定了尽可能少匹配 b，所以没有 b。
3. Python里数量词默认是贪婪的。