Python爬虫学习笔记(三):从XPath到正则表达式
网页信息的解析
一.XPath
XPath是在XML文档中查找信息的一门语言,是很多高级XML应用的基础
XPath在XML中通过元素和属性,使用路径表达式在 XML 文档中进行导航
节点
在XPath中,XML 文档被视作节点树,节点树的根节点也被称作文档节点
节点(Node)分为七类:元素(Element),属性(Attribute),文本(Text),命名空间(Namespace),处理指令(Processing-instruction),注释(Comment),文档节点(Document nodes)
XPath的路径表达式是基于某个节点之上的,选取节点的表达式描述
nodeName | 选取已匹配节点下名为 nodeName 的子元素节点 |
---|---|
/ | 若以 / 开头,表示从根节点作为选取起点 |
// | 在已匹配节点后代中选取节点,不考虑目标节点的位置 |
. | 选取当前节点 |
… | 选取当前节点的父元素节点 |
@ | 选取属性 |
节点间的关系
节点间关系:父(parent),子(children),兄弟(sibling),先辈(ancestor),后代(descendant)
父(Parent):每个元素都肯定有一个父节点,最顶层的元素父节点是根节点,每个属性有一个父,它们的父是元素
子(Children):元素可以有零或多个子
兄弟(Sibling):父节点相同的节点之间互为同胞,也称兄弟节点
先辈(Ancestor):某节点的父节点、父的父……一直追溯至根节点之间所有节点
后代(Descendant):某节点的子节点、子的子……至最后一个子节点之间所有节点
轴和路径
轴:用于定义当对当前节点的节点集合
坐标轴名称 | 含义 |
---|---|
ancestor | 选取当前节点的所有先辈元素及根节点 |
ancestor-or-self | 选取当前节点的所有先辈以及当前节点本身 |
attibute | 选取当前节点的所有属性 |
child | 选取当前节点的所有子元素 |
descendant | 选取当前节点的所有后代元素 |
descendant-or-self | 选取当前节点的所有后代元素以及当前节点本身 |
following | 选取文档中当前节点的结束标签之后的所有节点 |
following-sibling | 选取当前节点之后的所有同级节点 |
namespace | 选取当前节点的所有命名空间节点 |
parent | 选取当前节点的父节点 |
preceding | 选取当前节点的开始标签之前的所有节点 |
preceding-sibling | 选取当前节点之前的所有同级节点 |
self | 选取当前节点 |
位置路径:绝对路径以 “/” 开头,每条路径包括一个或多个步,每步之间以“/”分隔
每步(step)根据当前节点集合中的节点计算:
轴(axis): 定义所选节点与当前节点之间的关系
节点测试(node-test):识别某个坐标轴内部的节点
预判(predicate): 提出预判条件对节点集合进行筛选
步的语法:坐标轴::节点测试[预判]
路径 | 表示方法 |
---|---|
绝对路径 | / # 根节点 |
相对路径 | // # 从根节点开始递归下降 |
若干路径 | # 节点之间的联合 |
XML文档中的信息查找
预判(Predicates):查找某个特定的节点或符合某种条件的节点
预判表达式位于方括号中,使用 “|” 运算符选取符合“或”条件的若干路径
通配符
* | 匹配任何元素 |
---|---|
@* | 匹配任何属性 |
node() | 匹配任何类型的节点 |
在Python中,可用第三方库lxml来处理XML
使用:from lxml import etree
二.BeautifulSoup4
是HTML/XML的解析器,处理不规范标记并生成剖析树(parse tree)
BeautifulSoup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象: Tag , NavigableString , BeautifulSoup, Comment
BeautifulSoup支持Python标准库中的HTML解析器,还支持上文提到的第三方的解析器lxml
BeautifulSoup对象表示的是一个文档的全部内容,可以把它当作 Tag 对象,支持 遍历文档树和搜索文档树中描述的大部分的方法
BeautifulSoup对象并不是真正的HTML或XML的tag,所以没有name和attribute属性,但BeautifulSoup对象包含了一个值为 “[document]” 的特殊属性 .name
具体操作在之后更深入学习
三.正则表达式(re 模块)
正则表达式(Regular Expression):通常被用来检索、替换那些符合某个模式(规则)的文本
Python 的 re 模块提供 Perl 风格的正则表达式模式,使其拥有全部的正则表达式功能
Perl一种功能丰富的计算机程序语言,运行在超过100种计算机平台上,适用广泛,最初是为文本处理而开发的
Perl易于使用、高效、完整,同时支持过程和面向对象编程,对文本处理具有强大的内置支持
基础知识
修饰符
一些可选标志修饰符来控制匹配的模式,被指定为一个可选的标志,多个标志可以通过按位 OR(|) 来指定
修饰符 | 描述 |
---|---|
re.I | 忽略大小写 |
re.L | 做本地化识别(locale-aware)匹配 |
re.M | 多行模式,影响 ^ 和 $ |
re.S | 为 . 并且包括换行符在内的任意字符(. 不包括换行符) |
re.U | 特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库 |
re.X | 通过更灵活的格式以便将正则表达式写得更易于理解,忽略空格和 # 后面的注释 |
模式
模式 | 描述 |
---|---|
^ | 匹配字符串的开头 |
$ | 匹配字符串的末尾 |
. | 匹配任意字符,除了换行符 |
[…] | 用来表示一组字符,单独列出:[amk] 匹配 ‘a’,‘m’或’k’ |
[^…] | 不在[]中的字符:[^abc] 匹配除了a,b,c之外的字符 |
re* | 匹配0个或多个的表达式 |
re+ | 匹配1个或多个的表达式 |
re? | 匹配0个或1个由前面的正则表达式定义的片段,非贪婪方式 |
re{ n} | 精确匹配 n 个前面表达式 |
re{ n,} | 匹配 n 个前面表达式 |
re{ n, m} | 匹配 n 到 m 次由前面的正则表达式定义的片段,贪婪方式 |
a | b | 匹配a或b |
(re) | 对正则表达式分组并记住匹配的文本 |
(?imx) | 正则表达式包含三种可选标志:i, m, 或 x 。只影响括号中的区域 |
(?-imx) | 正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域 |
(?: re) | 类似 (…), 但是不表示一个组 |
(?imx: re) | 在括号中使用i, m, 或 x 可选标志 |
(?-imx: re) | 在括号中不使用i, m, 或 x 可选标志 |
(?#…) | 注释. |
(?= re) | 前向肯定界定符 |
(?! re) | 前向否定界定符。与肯定界定符相反;当所含表达式不能在字符串当前位置匹配时成功 |
(?> re) | 匹配的独立模式,省去回溯 |
\w | 匹配字母数字及下划线 |
\W | 匹配非字母数字及下划线 |
\s | 匹配任意空白字符,等价于 [ \t\n\r\f] |
\S | 匹配任意非空字符 |
\d | 匹配任意数字,等价于 [0-9] |
\D | 匹配任意非数字 |
\A | 匹配字符串开始 |
\Z | 匹配字符串结束,如果存在换行,只匹配到换行前的结束字符串 |
\z | 匹配字符串结束 |
\G | 匹配最后匹配完成的位置 |
\b | 匹配一个单词边界,也就是指单词和空格间的位置 |
\B | 匹配非单词边界 |
\n, \t… | 匹配一个换行符,匹配一个制表符等 |
\1…\9 | 匹配第n个分组的内容。 |
\10 | 匹配第n个分组的内容,如果它经匹配。否则指的是八进制字符码的表达式 |
实例
字符类
实例 | 描述 |
---|---|
[Pp]ython | 匹配 “Python” 或 “python” |
rub[ye] | 匹配 “ruby” 或 “rube” |
[aeiou] | 匹配中括号内的任意一个字母 |
[0-9] | 匹配任何数字,类似于 [0123456789] |
[a-z] | 匹配任何小写字母 |
[A-Z] | 匹配任何大写字母 |
[a-zA-Z0-9] | 匹配任何字母及数字 |
[^aeiou] | 除了aeiou字母以外的所有字符 |
[^0-9] | 匹配除了数字外的字符 |
特殊字符类
实例 | 描述 |
---|---|
. | 匹配除 “\n” 之外的任何单个字符。要匹配包括 ‘\n’ 在内的任何字符使用 ‘[.\n]’ |
\d | 匹配一个数字字符。等价于 [0-9] |
\D | 匹配一个非数字字符。等价于 [^0-9] |
\s | 匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v] |
\S | 匹配任何非空白字符。等价于 [^ \f\n\r\t\v] |
\w | 匹配包括下划线的任何单词字符。等价于’[A-Za-z0-9_]’ |
\W | 匹配任何非单词字符。等价于 ‘[^A-Za-z0-9_]’ |
相关函数
re.match
re.match
从字符串的起始位置匹配一个模式(pattern),如果不是起始位置,就返回none
re.match(pattern, string, flags=0)
pattern:匹配的正则表达式
string:要匹配的字符串
flags:标志位,控制正则表达式的匹配方式(是否区分大小写,多行匹配等)
匹配成功re.match方法返回一个匹配的对象,否则返回None
使用group(num) 或 groups() 匹配对象函数来获取匹配表达式
group(num=0) 匹配的整个表达式的字符串,group() 可以一次输入多个组号,将返回一个包含那些组所对应值的元组
groups() 返回一个包含所有小组字符串的元组,从 1 到所含的小组号
import re
line = "YOU Chan Will YOUChanWill"
matchObj = re.match( r'(.*) Chan (.*?) .*', line, re.M|re.I)
if matchObj:
print("matchObj.group() : ", matchObj.group())
print("matchObj.group(1) : ", matchObj.group(1))
print("matchObj.group(2) : ", matchObj.group(2))
else:
print ("No match!!")
matchObj.group() : YOU Chan Will YOUChanWill
matchObj.group(1) : YOU
matchObj.group(2) : Will
re.search
扫描整个字符串并返回第一个成功的匹配
re.search(pattern, string, flags=0)
pattern:匹配的正则表达式
string:要匹配的字符串
flags:标志位
匹配成功re.search方法返回一个匹配的对象,否则返回None
使用group(num) 或 groups() 匹配对象函数来获取匹配表达式
group(num=0) 匹配的整个表达式的字符串,group() 可以一次输入多个组号,将返回一个包含那些组所对应值的元组
groups() 返回一个包含所有小组字符串的元组,从 1 到所含的小组号
import re
line = "YOU Chan Will YOUChanWill"
matchObj = re.search( r'(.*) Chan (.*?) .*', line, re.M|re.I)
if matchObj:
print("matchObj.group() : ", matchObj.group())
print("matchObj.group(1) : ", matchObj.group(1))
print("matchObj.group(2) : ", matchObj.group(2))
else:
print ("No match!!")
matchObj.group() : YOU Chan Will YOUChanWill
matchObj.group(1) : YOU
matchObj.group(2) : Will
re.match匹配字符串的开始,如果字符串开始不符合正则表达式,则匹配失败,函数返回None
re.search匹配整个字符串,直到找到一个匹配
检索和替换
re.sub
替换字符串中的匹配项
re.sub(pattern, repl, string, count=0, flags=0)
pattern : 正则中的模式字符串
repl : 替换的字符串,也可为一个函数
string : 要被查找替换的原始字符串
count : 模式匹配后替换的最大次数,默认 0 表示替换所有的匹配
import re
number = "2000-10-16 # 数字"
num = re.sub(r'#.*$', "", number) # 删除字符串中的 Python注释
print("数字: ", num)
num = re.sub(r'\D', "", number) # 删除非数字(-)的字符串
print("数字: ", num)
数字: 2000-10-16
数字: 20001016
repl 可为一个函数
import re
def double(matched):# 该函数将匹配的数字乘以 2
value = int(matched.group('value'))
return str(value * 2)
s = 'YOU001016'
print(re.sub('(?P<value>\d+)', double, s))
YOU2032
re.compile
用于编译正则表达式,生成一个正则表达式( Pattern )对象,供match() 和 search()使用
re.compile(pattern[, flags])
pattern:匹配的正则表达式
flags:标志位
re.I 忽略大小写
re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
re.M 多行模式
re.S 即为 . 并且包括换行符在内的任意字符(. 不包括换行符)
re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
re.X 为了增加可读性,忽略空格和 # 后面的注释
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
print m
None
group([group1, …]):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]):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]):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]):返回 (start(group), end(group))
findall
在字符串中找到正则表达式所匹配的所有子串,并返回一个列表,如果没有找到匹配的,则返回空列表
findall(string[, pos[, endpos]])
string : 待匹配的字符串
pos : 可选参数,指定字符串的起始位置,默认为 0
endpos : 可选参数,指定字符串的结束位置,默认为字符串的长度
match 和 search 是匹配一次 findall 匹配所有
import re
pattern = re.compile(r'\d+') # 查找数字
result1 = pattern.findall('you 123 chan 456 will')
result2 = pattern.findall('you123chan456will789', 0, 10)
print(result1)
print(result2)
['123', '456']
['123']
re.finditer
在字符串中找到正则表达式所匹配的所有子串,并把它们作为一个迭代器返回
re.finditer(pattern, string, flags=0)
pattern:匹配的正则表达式
string:要匹配的字符串
flags:标志位
import re
it = re.finditer(r"\d+","you123chan456will789")
for match in it:
print (match.group() )
123
456
789
re.split
按照能够匹配的子串将字符串分割后返回列表
re.split(pattern, string[, maxsplit=0, flags=0])
pattern:匹配的正则表达式
string:要匹配的字符串
maxsplit:分隔次数,maxsplit=1 分隔一次,默认为 0,不限制次数
flags:标志位
对于一个找不到匹配的字符串而言,split 不会对其作出分割
对象
re.RegexObject
re.compile() 返回 RegexObject 对象。
re.MatchObject
group() 返回被 正则表达式(RE )匹配的字符串
start() 返回匹配开始的位置
end() 返回匹配结束的位置
span() 返回一个元组包含匹配 (开始,结束) 的位置