『python爬虫』06. 数据解析之re正则解析（保姆级图文）

---

欢迎关注 『python爬虫』 专栏，持续更新中
欢迎关注 『python爬虫』 专栏，持续更新中

1. 什么是re解析

Regular Expression, 正则表达式, ⼀种使⽤表达式的⽅式对字符串，进⾏匹配的语法规则（按照一定规则的查找）

⽹⻚源代码本质上就是⼀个超⻓的字符串, 用正则就好像是在我们的txt中查找指定内容一样。

正则的优点：速度快, 效率⾼, 准确性⾼
正则的缺点：难度⾼

---

2. 正则规则

元字符

元字符: 具有固定含义的特殊符号 常⽤元字符

1	.   匹配除换⾏符以外的任意字符
2	\w	匹配字⺟或数字或下划线
3	\s	匹配任意的空⽩符
4	\d	匹配数字
 
5	\n	匹配⼀个换⾏符
6	\t	匹配⼀个制表符
7		
8	^	匹配字符串的开始
9	$	匹配字符串的结尾
10		
11	\W	匹配⾮字⺟或数字或下划线
12	\D	匹配⾮数字
13	\S	匹配⾮空⽩符
14	a|b	匹配字符a或字符b
15	()	匹配括号内的表达式，也表示⼀个组
16	[...]	匹配字符组中的字符
17	[^...]	匹配除了字符组中字符的所有字符

量词

1	*	重复零次或更多次
2	+	重复⼀次或更多次
3	?	重复零次或⼀次
4	{n}	重复n次
5	{n,}	重复n次或更多次
6	{n,m}	重复n到m次

匹配模式测试

符号	意义
.*	惰性匹配
.*?	贪婪匹配

爬⾍⽤的最多的就是这个惰性匹配.，就是尽可能减少所搜索到的目标（搜索会更加精确，用到了回溯的思想）

---

3. 正则案例

正则在线测试网站：https://tool.oschina.net/regex/

• 案例1：

待匹配文本：

惰性正则匹配，123456匹配

匹配规则匹配的内容–>惰性（任意一个字符）匹配

惰性.匹配

• 案例2
  待匹配文本：

惰性正则匹配，123456匹配

匹配规则匹配的内容–>惰性（任意多个个字符）匹配

惰性.*匹配

• 案例3
  待匹配文本：

惰性正则匹配，123456匹配

匹配规则匹配的内容–>惰性（任意多个个字符）匹配,要求找到最小范围的匹配项

惰性.*?匹配

原理在于第一步找到了案例2中的 惰性正则匹配，123456匹配字符串之后继续对这个字符串回溯，查看这个字符串中是否能够再找到更小单位的匹配对象，只返回最小长度的匹配对象。

---

4. re模块的使用

匹配规则解释： “\d” 表示匹配数字 “+” 表示1个或多个

4.1 findall: 匹配字符串中所有的符合正则的内容

返回值是列表

import re

lst = re.findall(r"\d+", "我的电话号是:10086, 我女朋友的电话是:10010")
# 也就是匹配所有数字串
print(lst)

4.2 finditer: 匹配字符串中所有的内容[返回的是迭代器]

从迭代器中拿到内容需要.group()

import re

it = re.finditer(r"\d+", "我的电话号是:10086, 我女朋友的电话是:10010")
for i in it:#迭代器for循环输出
    print(i.group())

4.3 search, 找到一个结果就返回, 返回的结果是match对象

拿数据需要.group()，匹配失败返回None

import re

s = re.search(r"\d+", "我的电话号是:10086, 我女朋友的电话是:10010")
print(s.group())

4.4 match 从头开始匹配，必须把10086放在待匹配的字符串开头才能匹配成功

真正意义上的从头开始，从待匹配文本的0位字符开始匹配，一般用的不多，功能不如search强大。

import re

s = re.match(r"\d+", "10086, 我女朋友的电话是:10010")
print(s.group())#10086

s = re.match(r"\d+", "我女朋友的电话是:10010，10086")
print(s)#None

4.5 compile 预加载正则表达式

预先定义一个正则的对象，后面只需要调用对象的方法就好了，不用每次都写一遍正则表达式，节省资源，提高效率

import re

# 预加载正则表达式
obj = re.compile(r"\d+")
#预先定义一个正则的对象，后面只需要调用对象的方法就好了，
# 不用每次都写一遍正则表达式，节省资源，提高效率

ret = obj.finditer("qwer233qwer566")
for it in ret:
    print(it.group())

ret = obj.findall("qwer233qwer899")
print(ret)

4.6 (?P<变量名>匹配规则)

(?P<变量名>匹配规则) 表示把符合这个匹配规则的内容存入对应变量名

import re
obj = re.compile(r"(?P<number>\d+)")# number的值就是匹配得到的数字
ret = obj.finditer("qwer233qwer566")
for it in ret:
    print(it.group("number"))

---

5. 综合实战

import re

s = """
<div class='jay'><span id='1'>郭麒麟</span></div>
<div class='jj'><span id='2'>宋铁</span></div>
<div class='jolin'><span id='3'>大聪明</span></div>
<div class='sylar'><span id='4'>范思哲</span></div>
<div class='tory'><span id='5'>胡说八道</span></div>
"""

# (?P<分组名字>正则) 可以单独从正则匹配的内容中进一步提取内容
obj = re.compile(r"<div class='.*?'><span id='(?P<id>\d+)'>(?P<name>.*?)</span></div>", re.S)  # re.S: 让.能匹配换行符

result = obj.finditer(s)
for it in result:
    print(it.group("id")+"->"+it.group("name"))

---

总结

大家喜欢的话，给个👍，点个关注！给大家分享更多计算机专业学生的求学之路！

版权声明：

发现你走远了@mzh原创作品，转载必须标注原文链接

Copyright 2023 mzh

Crated：2023-3-1

欢迎关注 『python爬虫』 专栏，持续更新中
欢迎关注 『python爬虫』 专栏，持续更新中
『未完待续』

---