基础爬虫系列课程授课内容4——正则表达式的使用

正则表达式的使用

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。

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。

二、正则表达式匹配规则

对URL地址进行匹配是一个相当困难的任务，其复杂性取决于你想获得多么精确的匹配结果。
最简单的情况下URL应该匹配的内容有：协议名(http|https)，一个主机名，一个可选的端口号，一个文件路径。

三、re模块

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， e.g. r’huangjianleiboke\t.\tpython’

re 模块一般使用步骤：
（1）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；

（2）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；

（3）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。

四、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：

五、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

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：mach(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)

六、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))。

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

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。

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。

sub方法：
sub 方法用于替换。它的使用形式如下：

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。

匹配中文：
在某些情况下，我们相匹配文本中的汉字，有一点需要注意的是，中文的unicode编码范围，主要在[u4e00-u9fa5],这里主要是因为这个范围不完整，比如没有包括全部中文标点，不过在大部分情况下，应该是够用的。

贪婪模式与非贪婪模式:abbbc：

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。