Python正则表达式(网址正则/超链接正则)

Python正则表达式(匹配超链接URL)

​ python的正则表达式是在re模块,属于内置模块。正则表达式格式的详细说明见文章结束表, 模式的构建通过PATTERN = re.compile(REGEX_STRING)构建,下面是python正则常用的函数。

Python函数
函数用法说明
PATTERN = re.compile(REGEX_STRING)正则模式构建
match_ret = re.match(PATTERN, str)str是否符合某种模式,从str开始位置进行扫描
match_ret = re.search(PATTERN, str)str是否包含某种模式的字符串,扫描整个字符串
match_ret.group(idx)/match_ret.groups()符合模式的所有字符串匹配(tartget_str)
上式match_ret无符合模式的匹配返回None,找到的符合模式的结果通过groups()取值
match_ret.group(idx=0)取指定位置的字符串匹配
match_ret.groups() 取所有字符串匹配
re.findall(PATTERN/REGEX_STRING, str)返回所有符合模式的字符串列表 (ret_lst)
  1. URL格式匹配

​ 从给定的URL中获取IP(PORT),这个操作也可以通过python内置模块urllib的request.Request(url=_url)构建(type://host, type://origin_req_host)获取:

import re

URL_M3U8 = 'https://www.kkarm.com:65/20190818/zzElGIgO/index.m3u8'
URL_ORIGIN = "https://www.cmcm5.com/play/5334.html?5334-6-1"
'''
	URL模式: http[s]://host:port/query
	目标:    获取query前的base_url (schema://host:port)
	正则构建:
		方式1:字符串格式
		方式2:突出特征 -> 以query前的/为分隔
'''
# https://后的host:port(由字母数字下划线, .点, :冒号组成, 遇到第一个/即终止匹配)
HOST_PATTERN = re.compile(r"\w{4,5}://(\w|\.|:)+")
# https://后的所有非/字符(遇到第一个/即终止)
HOST_PATTERN2 = re.compile(r"(\w{4,5}://[^/]+)")
host_match = re.match(HOST_PATTERN, URL_ORIGIN)
host_match2 = re.match(HOST_PATTERN2, URL_M3U8)
HOST = host_match and host_match.group()
HOST2 = host_match2 and host_match.group()
  1. 从大量文本中提取指定格式的URL

​ re.findall()经常和python爬虫结合,将网络请求的文本内容进行提取(html/js),从中获取指定格式的内容,从中提取URL在钻入式的爬取其他链接内容。下面是部分格式化后的链接内容。

目标字符串1(格式化)[1]

%u7b2c2%u96c6$CNTY5MDI1Ng==#
%u7b2c3%u96c6$CNTY5MDMwMA==#
%u7b2c4%u96c6$CNTY5MDMwNA==$$$
01$https://www.mgtv.com/b/159003/3363084.html#
02$https://www.mgtv.com/b/159003/3363085.html#
03$https://www.mgtv.com/b/159003/3364481.html#
04$https://www.mgtv.com/b/159003/3364483.html#
05$https://www.mgtv.com/b/159003/3366093.html$$$
%u7b2c01%u96c6$https://www.kkarm.com:65/20190818/zzElGIgO/index.m3u8#
%u7b2c02%u96c6$https://www.kkarm.com:65/20190818/U90bZ2CW/index.m3u8$$$
%u7b2c1%u96c6$https://video.buycar5.cn/20201006/a15C23PF/index.m3u8#
%u7b2c2%u96c6$https://video.buycar5.cn/20201006/UVsOhEq0/index.m3u8#
%u7b2c3%u96c6$https://video.buycar5.cn/20201006/hzqZ3BgP/index.m3u8

​ 我们想要做的就是从中提取m3u8格式的URL(这是一种流式视频的文件格式,列出了所有视频片段的下载位置),下面是匹配思路:

js_content = """
%u7b2c2%u96c6$CNTY5MDI1Ng==#%u7b2c3%u96c6$CNTY5MDMwMA==#%u7b2c4%u96c6$CNTY5MDMwNA==$$$01$https://www.mgtv.com/b/159003/3363084.html#02$https://www.mgtv.com/b/159003/3363085.html#03$https://www.mgtv.com/b/159003/3364481.html#04$https://www.mgtv.com/b/159003/3364483.html#05$https://www.mgtv.com/b/159003/3366093.html$$$%u7b2c01%u96c6$https://www.kkarm.com:65/20190818/zzElGIgO/index.m3u8#%u7b2c02%u96c6$https://www.kkarm.com:65/20190818/U90bZ2CW/index.m3u8#$$$%u7b2c1%u96c6$https://video.buycar5.cn/20201006/a15C23PF/index.m3u8#%u7b2c2%u96c6$https://video.buycar5.cn/20201006/UVsOhEq0/index.m3u8#%u7b2c3%u96c6$https://video.buycar5.cn/20201006/hzqZ3BgP/index.m3u8
"""
  • 按照[1]中的格式进行匹配

    # 提取所有这个格式的内容
    PATTERN = r"%u\w+\$(.*?)#{1}|\${3}"
    # 提取以m3u8结尾的链接
    M3U8_PATTERN = PATTERN = r"%u\w+\$(.*?\.m3u8)#{1}|\${3}"
    m3u8_match0= re.findall(PATTERN, js_content)
    m3u8_match = re.findall(M3U8_PATTERN, js_content)
    

    (.*?)是re.findall()常用的匹配方式,()表示只提取括号中的内容,括号意外的作为格式匹配的一部分,比如从特定html内容里,提取需要的图片链接:

    img = re.findall('<div class="arc_body">\n<img src="(.*?)"', itext)[0]
    

    但是,这个提取的结果出现了偏差(m3u8结果)

    CNTY5MDI1Ng==#%u7b2c3%u96c6$CNTY5MDMwMA==#%u7b2c4%u96c6$CNTY5MDMwNA==$$$01$https://www.mgtv.com/b/159003/3363084.html#02$https://www.mgtv.com/b/159003/3363085.html#03$https://www.mgtv.com/b/159003/3364481.html#04$https://www.mgtv.com/b/159003/3364483.html#05$https://www.mgtv.com/b/159003/3366093.html$$$%u7b2c01%u96c6$https://www.kkarm.com:65/20190818/zzElGIgO/index.m3u8
    https://www.kkarm.com:65/20190818/U90bZ2CW/index.m3u8
    ''
    https://video.buycar5.cn/20201006/a15C23PF/index.m3u8
    https://video.buycar5.cn/20201006/UVsOhEq0/index.m3u8
    
  • 只提取m3u8结尾的URL格式

    文本[1]中,m3u8是一个链接格式,每个URL以“#”结尾,所有同类的URL以"$$$"结尾,URL都是以https开头,遇到#或者$一个URL结束。正则的匹配实质是找到恰如其分的分割符,找到目标字符串。

    M3U8_PATTERN = r"(https://[^#|$]*?\.m3u8)"
    m3u8_match = re.findall(M3U8_PATTERN, js_content)
    
  1. python与 js escape()/unecape

​ python 内置库urllib.parse提供了quote()/unquote()函数来达到js escape()/unescape()的效果。对于爬取的内容含有js编码过的字符串可以采用unquote函数进行解码:

  • 对中文进行解码

    js_content = js_content.replace('%u', '\\u').encode().decode('unicode_escape')
    
  • 还原js转码字符

    import urllib.parse
    js_content = urllib.parse.unquote(js_content)
    
  1. 正则表达式模式

​ 模式字符串使用特殊的语法来表示一个正则表达式,特殊字符代表本意,前面需要加上进行反斜杠\进行转义。

表1 正则表达式模式(所有语言通用)

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,当re.DOTALL标记被指定时,则可以匹配包括换行符的任意字符。
[…]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。例如, o{2} 不能匹配 “Bob” 中的 “o”,但是能匹配 “food” 中的两个 o。
re{ n,}匹配 n 个前面表达式。例如, o{2,} 不能匹配"Bob"中的"o",但能匹配 "foooood"中的所有 o。“o{1,}” 等价于 “o+”。“o{0,}” 则等价于 “o*”。
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
\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,如果是存在换行,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。例如, ‘er\b’ 可以匹配"never" 中的 ‘er’,但不能匹配 “verb” 中的 ‘er’。
\B匹配非单词边界。‘er\B’ 能匹配 “verb” 中的 ‘er’,但不能匹配 “never” 中的 ‘er’。
\n, \t, 等.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。
  • 4
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值