python_spider 04 网页解析（re 正则表达式）

最新推荐文章于 2022-08-09 17:12:12 发布

Mr.Shawn

最新推荐文章于 2022-08-09 17:12:12 发布

阅读量313

点赞数

分类专栏：爬虫系列（个人学习过程）

本文链接：https://blog.csdn.net/shawn_fung/article/details/98504453

版权

爬虫系列（个人学习过程）专栏收录该内容

10 篇文章 0 订阅

订阅专栏

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。

在这里插入图片描述

Python 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，如下：
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]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None


    import re
    pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
    str = 'abc123def456'
    p = pattern.match(str)  # 查找头部，没有匹配
    print(p)  # None
    p = pattern.match(str, 2, 9)  # 从'c'的位置开始匹配，没有匹配
    print(p)  # None
    p = pattern.match(str, 3, 9)  # 从'4'的位置开始匹配，正好匹配, 返回一个 Match 对象
    print(p)  # <re.Match object; span=(3, 6), match='123'>
    p = p.group(0)  # 可省略 0
    print(p)  # 123
    p = p.start(0)  # 可省略 0
    print(p)  #     
    p = p.end(0)  # 可省略 0
    print(p)  # 6
    p = p.span(0)  # 可省略 0
    print(p)  # (3, 6)

在上面，当匹配成功时返回一个 Match 对象，其中：
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))。
我们再来看一下具体用法：


    import re
    
    pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # 用于匹配至少一个字母, re.I 表示忽略大小写
    
    str = 'Hello world hello Python'
    
    p = pattern.match(str)  # 查找头部，匹配成功，返回一个 Match 对象
    print(p)  # <re.Match object; span=(0, 11), match='Hello world'>
 
    p = p.group(0)  # 返回匹配成功的整个子串
    print(p)  # Hello world
    
    p = p.group(1)  # 返回第一个分组匹配成功的子串
    print(p)  # Hello
    p = p.group(2)  # 返回第二个分组匹配成功的子串
    print(p)  # world
    p = p.group(3)  # 不存在第三个分组
    print(p)  # IndexError: no such group
    
    p = p.span(0)  # 返回匹配成功的整个子串的索引
    print(p)  # (0, 11)
    p = p.span(1)  # 返回第一个分组匹配成功的子串的索引
    print(p)  # (0, 5)
    p = p.span(2)  # 返回第二个分组匹配成功的子串的索引
    print(p)  # (6, 11)
    p = p.span(3)  # 不存在第三个分组
    print(p)  # IndexError: no such group
    
    p = p.start(0)  # 返回匹配成功的整个子串的开始下标
    print(p)  # 0
    p = p.end(0)  # 返回匹配成功的整个子串的结束下标
    print(p)  # 11
    p = p.start(1)  # 返回第一个分组匹配成功的子串的开始下标
    print(p)  # 0
    p = p.end(1)  # 返回第一个分组匹配成功的子串的结束下标
    print(p)  # 5
    p = p.start(2)  # 返回第二个分组匹配成功的子串的开始下标
    print(p)  # 6
    p = p.end(2)  # 返回第二个分组匹配成功的子串的结束下标
    print(p)  # 11
    p = p.start(3)  # 返回第三个分组匹配成功的子串的开始下标
    print(p)  # IndexError: no such group
    p = p.end(3)  # 返回第三个分组匹配成功的子串的结束下标
    print(p)  # IndexError: no such group
    
    p = p.groups()  # 等价于 (m.group(1), m.group(2), ...)
    print(p)  # ('Hello', 'world')

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]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。
当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

1 import re
 2 
 3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
 4 
 5 str = 'abc123def456'
 6 
 7 p = pattern.search(str)  # 查找头部，匹配成功，返回一个 Match 对象
 8 print(p)  # <re.Match object; span=(3, 6), match='123'>
 9 
10 p = pattern.search(str, 1, 3)  # 指定区间, 匹配失败，返回一个 None
11 print(p)  # None
12 
13 p = pattern.search(str, 8, 10)  # 指定区间, 匹配成功，返回一个 Match 对象
14 print(p)  # <re.Match object; span=(9, 10), match='4'>

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。
findall 方法的使用形式如下：

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

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。
findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

 1 import re
 2 
 3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
 4 
 5 str = 'abc123def456'
 6 
 7 p = pattern.findall(str)  # 返回一个列表对象
 8 print(p)  # ['123', '456']
 9 
10 p = pattern.findall(str, 1, 3)  # 返回一个列表对象
11 print(p)  # []

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。
复制代码

 1 import re
 2 
 3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
 4 
 5 str = 'abc123def456'
 6
 7 p = pattern.finditer(str)  # 返回一个 Match 对象
 8 print(p)  # <callable_iterator object at 0x1054eb400>
 9 
10 p = pattern.finditer(str, 1, 3)  # 返回一个 Match 对象
11 print(p)  # <callable_iterator object at 0x10552e358>

在实际中我们很少应用 finditer 方法，因为我们还需要对获取的 Match 对象进行进一步处理，如循环，group() 等来获取直观数据。

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。

1 import re
2 
3 pattern = re.compile(r'[\s\,\;]+') # 匹配至少一个空格和 ;
4 
5 str = 'a,b;; c   d'
6 
7 p = pattern.split(str)
8 print(p)  # ['a', 'b', 'c', 'd']

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。

1 import re
2
3 pattern = re.compile(r’(\w+) (\w+)’, re.I) # \w = [A-Za-z0-9]
4
5 str = ‘Hello 123, hello 456’
6
7 p = pattern.sub(r’hello World’, str) # 使用 ‘hello World’ 替换 ‘Hello 123’ 和 ‘hello 456’
8 print§ # hello World, hello World
9
10 p = pattern.sub(r’hello World’, str, 1) # 使用 ‘hello World’ 替换 ‘Hello 123’, 1 表示最多替换一次
11 print§ # hello World, hello 456