最帅爬虫_必须学的正则模块

摘要：为什么学正则表达式

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）

而正则表达式就是应用于取这一步，他的主要作用就是筛选所需要的数据

一、 什么是正则表达式

正则表达式，又称规则表达式，通常是被用来检索、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。

例如：

	例题 1：我们想要找一篇英文文献里面的所有 we 的单词 文本：wearewellWelcome 
	
	正则表达式：we 匹配所有的含有 we 的
	
	但是包括 well welcome 正则表达式：\bwe\b 只匹配了 we
	
	 \b 是正则表达式的特殊字符，称为元字符，匹配的是单词的开始和结束，也就是单词的 分界处。 

二、 python中的re模块

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。

示例：

print(r'chuanzhiboke\t\.\tpython')

三、 re 模块的使用步骤

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

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+')

在上面，我们已将一个正则表达式编译成 Pattern 对象，接下来，我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。

Pattern 对象

常用方法有：

1.match 方法：从起始位置开始查找，一次匹配

2.search 方法：从任何位置开始查找，一次匹配

3.findall 方法：全部匹配，返回列表

4.finditer 方法：全部匹配，返回迭代器

5.split 方法：分割字符串，返回列表

6.sub 方法：替换

1.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。(不常用)

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，没有匹配
print(m) # None 

m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
print(m) # None 

m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
print(m) # 返回一个 Match 对象<_sre.SRE_Match object at 0x10a42aac0> 

print( m.group(0) )    # 可省略 0  结果：12       匹配到的字符串的内容
print( m.start(0) )    # 可省略 0  结果：3        匹配的字符串的起始位置
print( m.end(0) )      # 可省略 0  结果：5        匹配的到字符串的结束为止
print( m.span(0) )     # 可省略 0  结果：(3, 5)   匹配到字符串的范围

再看一个例子：

import re

pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # re.I 表示忽略大小写

m = pattern.match('Hello World Wide Web')

print(m)     # 匹配成功，返回一个 Match 对象<_sre.SRE_Match object at 0x10bea83e8>

print(m.group(0))  # 返回匹配成功的整个子串'Hello World'

print(m.span(0))   # 返回匹配成功的整个子串的索引(0, 11)

print(m.group(1))  # 返回第一个分组匹配成功的子串'Hello'

print(m.span(1))  # 返回第一个分组匹配成功的子串的索引(0, 5)

print(m.group(2))  # 返回第二个分组匹配成功的子串'World'

print(m.span(2))  # 返回第二个分组匹配成功的子串(6, 11)

print(m.groups())  # 等价于 (m.group(1), m.group(2), ...)('Hello', 'World')

print(m.group(3))  # 不存在第三个分组Traceback (most recent call last):  File "<stdin>", line 1, in <module>IndexError: no such group

2.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
(常用)

例子：

import re

pattern = re.compile(r'\d+')

content = 'one12twothree34four'

m1 = pattern.search(content)

print(m1) # <_sre.SRE_Match object; span=(3, 5), match='12'>
print(m1.group()) # 12

m2 = pattern.search(content,10,30) # 指定字符串区间
print(m2) # <_sre.SRE_Match object; span=(13, 15), match='34'>

print(m2.group()) # 34
print(m2.span()) # (13, 15)

3.findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。
（常用）

import re

pattern = re.compile(r'\d+')   # 查找数字 

result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10) 

print(result1) # ['123456', '789']
print(result2) # ['1', '2']

再来一个例子：

import re


pattern = re.compile(r'\d+\.\d*') # 通过partten.findall()方法就能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15, 2.1")

# findall 以 列表形式 返回全部能匹配的子串给result
for item in result:
    print(item)
"""
    结果：
        123.141593
        3.15
        2.1
"""

4.finditer 方法

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。

import re

pattern = re.compile(r'\d+')

content1 = 'hello 123456 789'
content2 = 'one1two2three3four4'

result_iter1 = pattern.finditer(content1)
result_iter2 = pattern.finditer(content2,0,10)

print(type(result_iter1)) # 可迭代对象
print(type(result_iter2)) # 可迭代对象

print('result1......')
for m1 in result_iter1:
    print('matching string:{},position:{}'.format(m1.group(),m1.span()))
print('result2......')
for m2 in result_iter2:
    print('matching string:{},position:{}'.format(m2.group(),m2.span()))

    
"""
    结果：
        <class 'callable_iterator'>
        <class 'callable_iterator'>
        
        result1......
        matching string:123456,position:(6, 12)
        matching string:789,position:(13, 16)
        
        result2......
        matching string:1,position:(3, 4)
        matching string:2,position:(7, 8)
"""

5.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])
其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

import re

p = re.compile(r'[\s\,\;]+')
#,,;
s = '  ;;;;,,,  ,,,,,  '
print(p.search(s).group())

a = p.split('a,b;;c  ;;;;,,,  ,,,,,  d')
print(a)  #['a', 'b', 'c', 'd']

6.sub 方法

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：

如果 repl 是字符串，则会使用 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，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；

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（返回的字符串中不能再引用分组）。

count 用于指定最多替换次数，不指定时全部替换。

import re

p = re.compile(r'(\w+) (\w+)')
s = 'hello 123,hello 456'
# print(p.sub(r'hello world',s))#使用‘hello world'替换'hello 123'和'hello 456'


def func(m):
    return 'hi'+' '+m.group(2)

print(p.sub(func,s),"*")
print(p.sub(func,s,1),"**") # 最多替换一次

四、贪婪模式与非贪婪模式

示例一 ：

源字符串：

abbbc

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。

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。

示例二 ：

源字符串：

	aa<div>test1</div>bb<div>test2</div>cc

1.使用贪婪的数量词的正则表达式：

<div>.*</div>

匹配结果：

<div>test1</div>bb<div>test2</div>

这里采用的是贪婪模式。在匹配到第一个“”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个“”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为“

test1

bb

test2

”

---

2.使用非贪婪的数量词的正则表达式

<div>.*?</div>

匹配结果：

<div>test1</div>

正则表达式二采用的是非贪婪模式，在匹配到第一个“”时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试