正则表达式简介
为什么要学正则表达式?
实际上爬虫一共就四个主要步骤:
- 明确目标(要知道你准备在哪个范围或者网站去搜索)
- 爬 ( 将所有网站的内容全部爬下来)
- 取 (去掉对我们没用的数据)
- 处理数据(按照我们想要的方式存储和使用)
什么是正则表达式?
正则表达是,又称规则表达式,通常被用来检索,替换那些符合规则的文本。
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。
目的:
给定的字符串是否符合正则表达式的过滤逻辑(“匹配”);
通过正则表达式,从文本字符串中获取我们想要的特定部分(“过滤”)。
正则匹配规则:
正则表达式匹配案例:
-
匹配所有的qq邮箱, username必须是字母数字或者下划线
-
匹配北美电话区号
#案例1: 匹配所有的qq邮箱, username@qq.com, 其中username必须是字母数字或者下划线, 次数为2-12个之间;import re pattern1 = r'\s\w{2,12}@qq\.com' text = ' westos@qq.com hello@qq.com dhwehfhjrefhjrehfuhregiuhgggggggggggggiu@qq.com' patternObj = re.compile(pattern1) result = patternObj.findall(text) print(result) # 案例2: # 北美电话的常用格式:(eg: 2703877865) # 前3位: 第一位是区号以2~9开头 , 第2位是0~8, 第三位数字可任意; # 中间三位数字:第一位是交换机号, 以2~9开头, 后面两位任意 # 最后四位数字: 数字不做限制; pattern2 = r'\(?[2-9][0-8]\d\)?[-\.\s]?[2-9]\d{2}[-\.\s]?\d{4}' text = '(323)4567890' patternObj = re.compile(pattern2) result = patternObj.findall(text) print(result)
对URL地址进行匹配是一个相当困难的任务,其复杂性取决于你想获得多么精确的匹配结果。
最简单的情况下URL应该匹配的内容有:协议名(http|https),一个主机名,一个可选的端口号,一个文件路径。
import re
URLpattern = r'((http|https)://\w+\.\w+\.\w+)'
text = 'http://www.baidu.com https://www.taobao.com ftp://www.westos.com'
patternObj = re.compile(URLpattern)
result = patternObj.findall(text)
print(result)
re模块
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, e.g. r’chuanzhiboke\t.\tpython’
re 模块一般使用步骤
-
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
-
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。
-
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:
Pattern 对象
正则表达式编译成 Pattern 对象, 可以利用 pattern 的一系列方法对文本进行匹配查找了。
Pattern 对象的一些常用方法主要有:
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
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:
string 待匹配的字符串
pos 字符串的起始位置, 默认值是 0
endpos 字符串的终点位置, 默认值是 len (字符串长度)
match对象
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))。
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:
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
findall 方法与finditer 方法
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: