《零基础入门学习Python》第060讲：论一只爬虫的自我修养8：正则表达式4-CSDN博客

本文链接：https://blog.csdn.net/justin007_cc/article/details/131882084

有了前面几节课的准备，我们这一次终于可以真刀真枪的干一场大的了，但是呢，在进行实战之前，我们还要讲讲正则表达式的实用方法和扩展语法，然后再来实战，大家多把持一会啊。

我们先来翻一下文档：

首先，我们要举的例子是讲得最多的 search() 方法，search() 方法既有模块级别的，就是直接调用 re.search() 来实现，另外，编译后的正则表达式模式对象也同样拥有 search() 方法，我问问大家，它们之间有区别吗？

如果你的回答仅仅是模块级别的search() 方法比模式级别的search() 方法要多一个正则表达式的参数，那你肯定没有去翻文档。

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

Scan through string looking for the first location where the regular expression pattern produces a match, and return a corresponding match object. Return None if no position in the string matches the pattern; note that this is different from finding a zero-length match at some point in the string.

这是模块级别的 search() 方法，大家注意它的参数，它有一个 flags 参数， flags 参数就我们上节课讲得编译标志位，作为一个模块级别的，它没办法复印，它直接在这里使用它的标志位就可以了。

pattern 是正则表达式的模式

string 是要搜索的字符串

我们再来看一下如果是编译后的模式对象，它的 search() 方法又有哪些参数：

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

Scan through string looking for the first location where this regular expression produces a match, and return a corresponding match object. Return None if no position in the string matches the pattern; note that this is different from finding a zero-length match at some point in the string.

The optional second parameter pos gives an index in the string where the search is to start; it defaults to 0. This is not completely equivalent to slicing the string; the '^' pattern character matches at the real beginning of the string and at positions just after a newline, but not necessarily at the index where the search is to start.

The optional parameter endpos limits how far the string will be searched; it will be as if the string is endpos characters long, so only the characters from pos to endpos - 1 will be searched for a match. If endpos is less than pos, no match will be found; otherwise, if rx is a compiled regular expression object, rx.search(string, 0, 50) is equivalent to rx.search(string[:50], 0).

前面的 pattern，模式对象的参数，就不需要了。

string 第一个参数就是待搜索的字符串

后面有两个可选参数是我们模块级别的 search() 方法没有的，它分别代表需要搜索的起始位置（pos）和结束位置（endpos）

你就可以像 rx.search(string, 0, 50) 或者 rx.search(string[:50], 0) 这样子去匹配它的搜索位置了。

还有一点可能被忽略的就是，search() 方法并不会立刻返回你所需要的字符串，取而代之，它是返回一个匹配对象。我们来举个例子：

>>> import re
>>> result = re.search(r" (\w+) (\w+)", "I love Python.com")
>>> result
<_sre.SRE_Match object; span=(1, 13), match=' love Python'>

我们看到，这个 result 是一个匹配对象（ match object.），而不是一个字符串。它这个匹配对象有一些方法，你使用这些方法才能够获得你所需要的匹配的字符串：

例如：group()方法：

>>> result.group()
' love Python'

我们就把匹配的内容打印出来了。首先是一个空格，然后是 \w+ ，就是任何字符，这里就是love，然后又是一个空格，然后又是 \w+，这里就是Python。

说到这个 group()方法，值的一提的是，如果正则表达式中存在着子组，子组会将匹配的内容进行捕获，通过这个 group()方法中设置序号，可以提取到对应的子组（序号从1开始）捕获的字符串。例如：

>>> result.group(1)
'love'
>>> result.group(2)
'Python'

除了 group()方法之外，它还有 start()方法、end()方法、 span() 方法，分别返回它匹配的开始位置、结束位置、范围。

match.start([group])

match.end([group])

Return the indices of the start and end of the substring matched by group; group defaults to zero (meaning the whole matched substring). Return -1 if group exists but did not contribute to the match. For a match object m, and a group g that did contribute to the match, the substring matched by group g (equivalent to m.group(g)) is
m.string[m.start(g):m.end(g)]
Note that m.start(group) will equal m.end(group) if group matched a null string. For example, after m = re.search('b(c?)', 'cba'), m.start(0) is 1, m.end(0) is 2, m.start(1) and m.end(1) are both 2, and m.start(2) raises an IndexError exception.

An example that will remove remove_this from email addresses:
>>> email = "tony@tiremove_thisger.net"
>>> m = re.search("remove_this", email)
>>> email[:m.start()] + email[m.end():]
'tony@tiger.net'
match.span([group])

For a match m, return the 2-tuple (m.start(group), m.end(group)). Note that if group did not contribute to the match, this is (-1, -1). group defaults to zero, the entire match.

>>> result.start()
1
>>> result.end()
13
>>> result.span()
(1, 13)

接下来讲讲 findall() 方法：

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

Return all non-overlapping matches of pattern in string, as a list of strings. The string is scanned left-to-right, and matches are returned in the order found. If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group. Empty matches are included in the result unless they touch the beginning of another match.

有人可能会觉得，findall() 方法很容易，不就是找到所有匹配的内容，然后把它们组织成列表的形式返回吗。

没错，这是在正则表达式里没有子组的情况下所做的事，如果正则表达式里包含了子组，那么，findall() 会变得很聪明。

我们来举个例子吧，上贴吧爬图：

例如我们想下载这个页面的所有图片：贴吧404

我们先来踩点，看到图片格式的标签：

我们就来直接写代码啦：

首先，我们写下下面的代码，来爬取图片地址：

import re
p = r'<img class="BDE_Image" src="[^"]+\.jpg"'
imglist = re.findall(p, html)
for each in imglist:
print(each)

打印的结果为：

============== RESTART: C:\Users\XiangyangDai\Desktop\tieba.py ==============
<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=65ac7c3d9e0a304e5222a0f2e1c9a7c3/4056053b5bb5c9ea8d7d0bdadc39b6003bf3b34e.jpg"
<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=d887aa03394e251fe2f7e4f09787c9c2/77f65db5c9ea15ceaf60e830bf003af33b87b24e.jpg"
<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0db90d472c1f95caa6f592bef9167fc5/2f78cfea15ce36d34f8a8b0933f33a87e850b14e.jpg"
<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=abfd18169ccad1c8d0bbfc2f4f3f67c4/bd2713ce36d3d5392db307fa3387e950342ab04e.jpg"

很显然，这不是我们需要的地址，我们需要的只是后面的部分。我们接下来要解决的问题就是如何将里面的地址提取出来，不少人听到这里，可能就已经开始动手了。但是，别急，我这里有更好的方法。

只需要把图片地址用小括号括起来，即将：

p = r'<img class="BDE_Image" src="[^"]+\.jpg"' 改为 p = r'<img class="BDE_Image" src="([^"]+\.jpg)"'，

大家再来看一下运行后的结果：

============== RESTART: C:\Users\XiangyangDai\Desktop\tieba.py ==============
https://imgsa.baidu.com/forum/w%3D580/sign=65ac7c3d9e0a304e5222a0f2e1c9a7c3/4056053b5bb5c9ea8d7d0bdadc39b6003bf3b34e.jpg
https://imgsa.baidu.com/forum/w%3D580/sign=d887aa03394e251fe2f7e4f09787c9c2/77f65db5c9ea15ceaf60e830bf003af33b87b24e.jpg
https://imgsa.baidu.com/forum/w%3D580/sign=0db90d472c1f95caa6f592bef9167fc5/2f78cfea15ce36d34f8a8b0933f33a87e850b14e.jpg
https://imgsa.baidu.com/forum/w%3D580/sign=abfd18169ccad1c8d0bbfc2f4f3f67c4/bd2713ce36d3d5392db307fa3387e950342ab04e.jpg

是不是很兴奋，是不是很惊讶，先别急，我先把代码敲完，再给大家讲解。

import urllib.request
import re
def open_url(url):
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36')
response = urllib.request.urlopen(url)
html = response.read()
return html
def get_img(url):
html = open_url(url).decode('utf-8')
p = r'<img class="BDE_Image" src="([^"]+\.jpg)"'
imglist = re.findall(p, html)
'''
for each in imglist:
print(each)
'''
for each in imglist:
filename = each.split('/')[-1]
urllib.request.urlretrieve(each, filename, None)
if __name__ == '__main__':
url = "https://tieba.baidu.com/p/4863860271"
get_img(url)

运行结果，就是很多美眉图片出现在桌面了（前提是这个程序在桌面运行，图片自动下载到程序所在文件夹。）

接下来就来解决大家的困惑了：为什么加个小括号会如此方便呢？

这是因为在 findall() 方法中，如果给出的正则表达式是包含着子组的话，那么就会把子组的内容单独给返回回来。然而，如果存在多个子组，那么它还会将匹配的内容组合成元组的形式再返回。

我们还是举个例子：

因为有时候 findall() 如果使用的不好，很多同学就会感觉很疑惑，很迷茫……

拿前面匹配 ip 地址的正则表达式来讲解，我们使用 findall() 来尝试自动从https://www.xicidaili.com/wt/获取 ip 地址：

初代码如下：

import urllib.request
import re
def open_url(url):
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36')
reponse = urllib.request.urlopen(req)
html = reponse.read()
return html
def get_ip(url):
html = open_url(url).decode('utf-8')
p = r'(([0,1]?\d?\d|2[0-4]\d|25[0-5])\.){3}([0,1]?\d?\d|2[0-4]\d|25[0-5])'
iplist = re.findall(p, html)
for each in iplist:
print(each)
if __name__ == "__main__":
url = "https://www.xicidaili.com/wt/"
get_ip(url)

运行结果如下：

============== RESTART: C:\Users\XiangyangDai\Desktop\getIP.py ==============
('180.', '180', '122')
('248.', '248', '79')
('129.', '129', '198')
('217.', '217', '7')
('40.', '40', '35')
('128.', '128', '21')
('118.', '118', '106')
('101.', '101', '46')
('3.', '3', '4')

得到的结果让我们很迷茫，为什么会这样呢？这明显不是我们想要的结果，这是因为我们在正则表达式里面使用了 3 个子组，所以，findall() 会自作聪明的把我们的结果做了分类，然后用元组的形式返回给我们。

那有没有解决的方法呢？

要解决这个问题，我们可以让子组不捕获内容。

我们查看 -> Python3 正则表达式特殊符号及用法（详细列表）,寻求扩展语法。

让子组不捕获内容，扩展语法就是非捕获组：

所以我们的初代码修改如下：

import urllib.request
import re
def open_url(url):
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36')
reponse = urllib.request.urlopen(req)
html = reponse.read()
return html
def get_ip(url):
html = open_url(url).decode('utf-8')
p = r'(?:(?:[0,1]?\d?\d|2[0-4]\d|25[0-5])\.){3}(?:[0,1]?\d?\d|2[0-4]\d|25[0-5])'
iplist = re.findall(p, html)
for each in iplist:
print(each)
if __name__ == "__main__":
url = "https://www.xicidaili.com/wt/"
get_ip(url)