Python爬虫数据清洗（学习一点基础的正则表达式）

正则表达式概念

正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））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python中提供了re 库，它是关于正则表达式的一个库，里面包含了多种字符串匹配的方法，对于网站上爬取数据后清洗处理有很大的帮助。

Python中常用正则符号

\w      匹配字母数字及下划线
\W      匹配f非字母数字下划线
\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
\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
\n      匹配一个换行符
\t      匹配一个制表符
^       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，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
*       匹配0个或多个的表达式
+       匹配1个或者多个的表达式
?       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
{n}     精确匹配n前面的表示
{m,m}   匹配n到m次由前面的正则表达式定义片段，贪婪模式
a|b     匹配a或者b
()      匹配括号内的表达式，也表示一个组

RE库的使用

1.match函数

尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none
语法格式：match(pattern, string, flags=0)

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串
flags (标志位)	用于控制正则表达式的匹配方式

匹配成功re.match方法返回一个匹配的对象，否则返回None。

2.search函数

扫描整个字符串并返回第一个成功的匹配
语法格式：re.search(pattern, string, flags=0)

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串
flags(标志位)	用于控制正则表达式的匹配方式

3.findall函数

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
注意：match 和 search 是匹配一次，而 findall 匹配所有
语法格式：findall(pattern, string, flags=0)

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串
flags	用于控制正则表达式的匹配方式

浏览全部字符串，匹配所有合规则的字符串，匹配到的字符串放到一个列表中，未匹配成功返回空列表

4.sub函数

这个函数正好解决了我爬虫过程中对于数据清洗的问题，将多余字符替换为空，下面放个例子详细介绍下
对于输入的一个字符串，利用正则表达式，去实现字符串替换处理，然后返回被替换后的字符串
语法格式：sub(pattern, repl, string, count=0, flags=0)

参数	描述
pattern	匹配的正则表达式
repl	就是replacement，是被替换的字符串。可以是字符串，也可以是函数
string	表示要被处理，要被替换的那个string字符串
count	对于匹配到的内容，只处理其中一部分，其中count等于多少，就处理多少次
flags	用于控制正则表达式的匹配方式

content= '''hello world 123 321'''
str = re.sub('\d+','数字',content)
print(str)

上面例中我匹配多个不连续的数字，替换成“数字”并输出
运行结果：

hello world 数字 数字

4.compile函数

该函数根据包含的正则表达式的字符串创建模式对象。可以实现更有效率的匹配
语法格式：compile(pattern [, flags])

参数	描述
pattern	用compile创建的模式对象