一. 正則表達式

正則表達式測試網址: 在線工具

1.為什么要學正則表達式

實際上爬蟲一共就四個主要步驟：

1. 明確目標 (要知道你準備在哪個范圍或者網站去搜索)
2. 爬 (將所有的網站的內容全部爬下來)
3. 取 (去掉對我們沒用處的數據)
4. 處理數據（按照我們想要的方式存儲和使用）

我們在昨天的案例里實際上省略了第3步，也就是"取"的步驟。因為我們down下了的數據是全部的網頁，這些數據很龐大并且很混亂，大部分的東西使我們不關心的，因此我們需要將之按我們的需要過濾和匹配出來。

那么對于文本的過濾或者規則的匹配，最強大的就是正則表達式，是Python爬蟲世界里必不可少的神兵利器。

2.什么是正則表達式

正則表達式，又稱規則表達式，通常被用來檢索、替換那些符合某個模式(規則)的文本。

正則表達式是對字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個"規則字符串"，這個"規則字符串"用來表達對字符串的一種過濾邏輯。

給定一個正則表達式和另一個字符串，我們可以達到如下的目的：

1. 給定的字符串是否符合正則表達式的過濾邏輯（“匹配”）；
2. 通過正則表達式，從文本字符串中獲取我們想要的特定部分（“過濾”）。
   

3.正則表達式匹配規則

二. Python 的 re 模塊

在 Python 中，我們可以使用內置的 re 模塊來使用正則表達式。

有一點需要特別注意的是，正則表達式使用 對特殊字符進行轉義，所以如果我們要使用原始字符串，只需加一個 r 前綴，示例：

1.re 模塊的一般使用步驟

1. 使用 compile() 函數將正則表達式的字符串形式編譯為一個 Pattern 對象

2. 通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果，一個 Match 對象。

3. 最后使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作

2.compile 函數

compile 函數用于編譯正則表達式，生成一個 Pattern 對象，它的一般使用形式如下：

import re# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r'\d+')

在上面，我們已將一個正則表達式編譯成 Pattern 對象，接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。

Pattern 對象的一些常用方法主要有：

match 方法：從起始位置開始查找，一次匹配
search 方法：從任何位置開始查找，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：替換

3.match 方法

match 方法用于查找字符串的頭部（也可以指定起始位置），它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果。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 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。因此，當你不指定 pos 和 endpos 時，match 方法默認匹配字符串的頭部。

當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。

>>> import re
>>> pattern = re.compile(r'\d+')  # 用于匹配至少一個數字>>> m = pattern.match('one12twothree34four')  # 查找頭部，沒有匹配
>>> print (m)
None>>> m = pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開始匹配，沒有匹配
>>> print (m)
None>>> m = pattern.match('one12twothree34four', 3, 10) # 從'1'的位置開始匹配，正好匹配
>>> print (m)                                         # 返回一個 Match 對象
<_sre.SRE_Match object at 0x10a42aac0>>>> m.group(0)   # 可省略 0
'12'
>>> m.start(0)   # 可省略 0
3
>>> m.end(0)     # 可省略 0
5
>>> m.span(0)    # 可省略 0
(3, 5)

在上面，當匹配成功時返回一個 Match 對象，其中：

group([group1, …]) 方法用于獲得一個或多個分組匹配的字符串，當要獲得整個匹配的子串時，可直接使用 group() 或 group(0)；

start([group]) 方法用于獲取分組匹配的子串在整個字符串中的起始位置（子串第一個字符的索引），參數默認值為 0；

end([group]) 方法用于獲取分組匹配的子串在整個字符串中的結束位置（子串最后一個字符的索引+1），參數默認值為 0；

span([group]) 方法返回 (start(group), end(group))。

再看看一個例子：

>>> import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # re.I 表示忽略大小寫
>>> m = pattern.match('Hello World Wide Web')>>> print (m)     # 匹配成功，返回一個 Match 對象
<_sre.SRE_Match object at 0x10bea83e8>>>> m.group(0)  # 返回匹配成功的整個子串
'Hello World'>>> m.span(0)   # 返回匹配成功的整個子串的索引
(0, 11)>>> m.group(1)  # 返回第一個分組匹配成功的子串
'Hello'>>> m.span(1)   # 返回第一個分組匹配成功的子串的索引
(0, 5)>>> m.group(2)  # 返回第二個分組匹配成功的子串
'World'>>> m.span(2)   # 返回第二個分組匹配成功的子串
(6, 11)>>> m.groups()  # 等價于 (m.group(1), m.group(2), ...)
('Hello', 'World')>>> m.group(3)   # 不存在第三個分組
Traceback (most recent call last):File "<stdin>", line 1, in <module>
IndexError: no such group

4.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，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，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 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。

當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。

讓我們看看例子：

>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four')  # 這里如果使用 match 方法則不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串區間
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)

再來看一個例子：

# -*- coding: utf-8 -*-import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r'\d+')
# 使用 search() 查找匹配的子串，不存在匹配的子串時將返回 None
# 這里使用 match() 無法成功匹配
m = pattern.search('hello 123456 789')
if m:# 使用 Match 獲得分組信息print ('matching string:',m.group())# 起始位置和結束位置print ('position:',m.span())

執行結果：

matching string: 123456
position: (6, 12)

5.findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一個匹配的結果就返回。然而，在大多數時候，我們需要搜索整個字符串，獲得所有匹配的結果。

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 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。

findall 以列表形式返回全部能匹配的子串，如果沒有匹配，則返回一個空列表。

看看例子：

import re
pattern = re.compile(r'\d+')   # 查找數字result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)print (result1)
print (result2)

執行結果：

['123456', '789']
['1', '2']

再先看一個栗子：

import re#re模塊提供一個方法叫compile模塊，提供我們輸入一個匹配的規則
#然后返回一個pattern實例，我們根據這個規則去匹配字符串
pattern = re.compile(r'\d+\.\d*')#通過partten.findall()方法就能夠全部匹配到我們得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")#findall 以 列表形式 返回全部能匹配的子串給result
for item in result:print (item)

運行結果：

123.141593
3.15

6.finditer 方法

finditer 方法的行為跟 findall 的行為類似，也是搜索整個字符串，獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果（Match 對象）的迭代器。

看看例子：

# -*- coding: utf-8 -*-import re
pattern = re.compile(r'\d+')result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)print (type(result_iter1))
print (type(result_iter2))print (result1...)
for m1 in result_iter1:   # m1 是 Match 對象print ('matching string: {}, position: {}'.format(m1.group(), m1.span()))print (result2...)
for m2 in result_iter2:print ('matching string: {}, position: {}'.format(m2.group(), m2.span()))

執行結果：

<type 'callable-iterator'>
<type 'callable-iterator'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)

7.split 方法

split 方法按照能夠匹配的子串將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數，不指定將全部分割。

看看例子：

import re
p = re.compile(r'[\s\,\;]+')
print (p.split('a,b;; c   d'))

執行結果：

['a', 'b', 'c', 'd']

8.sub 方法

sub 方法用于替換。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個函數：

如果 repl 是字符串，則會使用 repl 去替換字符串每一個匹配的子串，并返回替換后的字符串，另外，repl 還可以使用 id 的形式來引用分組，但不能使用編號 0；

如果 repl 是函數，這個方法應當只接受一個參數（Match 對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。

count 用于指定最多替換次數，不指定時全部替換。

看看例子：

import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'print (p.sub(r'hello world', s))  # 使用 'hello world' 替換 'hello 123' 和 'hello 456'
print (p.sub(r'\2 \1', s))        # 引用分組def func(m):print(m)return 'hi' + ' ' + m.group(2) #group(0) 表示本身，group(1)表示hello，group(2) 表示后面的數字print (p.sub(func, s))  #多次sub，每次sub的結果傳遞給func
print (p.sub(func, s, 1))         # 最多替換一次

執行結果：

hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456

9.匹配中文

在某些情況下，我們想匹配文本中的漢字，有一點需要注意的是，中文的 unicode 編碼范圍 主要在 [u4e00-u9fa5]，這里說主要是因為這個范圍并不完整，比如沒有包括全角（中文）標點，不過，在大部分情況下，應該是夠用的。

假設現在想把字符串 title = u’你好，hello，世界’ 中的中文提取出來，可以這么做：

import retitle = '你好，hello，世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
result = pattern.findall(title)print (result)

注意到，我們在正則表達式前面加上了兩個前綴 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

執行結果:

['你好', '世界']

10.貪婪模式與非貪婪模式

貪婪模式：在整個表達式匹配成功的前提下，盡可能多的匹配 ( * )；
非貪婪模式：在整個表達式匹配成功的前提下，盡可能少的匹配 ( ? )；
Python里數量詞默認是貪婪的。

1）示例一

源字符串：abbbc

使用貪婪的數量詞的正則表達式 ab* ，匹配結果： abbb。

*決定了盡可能多匹配 b，所以a后面所有的 b 都出現了。

使用非貪婪的數量詞的正則表達式ab*?，匹配結果： a。

即使前面有 *，但是 ? 決定了盡可能少匹配 b，所以沒有 b。

2）示例二

源字符串：aa< div >test1</ div >bb< div >test2</ div >cc

使用貪婪的數量詞的正則表達式：< div>.*</ div>

匹配結果：< div>test1</ div>bb< div>test2</ div>

這里采用的是貪婪模式。在匹配到第一個"“時已經可以使整個表達式匹配成功，但是由于采用的是貪婪模式，所以仍然要向右嘗試匹配，查看是否還有更長的可以成功匹配的子串。匹配到第二個”“后，向右再沒有可以成功匹配的子串，匹配結束，匹配結果為”< div>test1</ div>bb< div>test2</ div>"

---

使用非貪婪的數量詞的正則表達式：< div>.*?</ div>

匹配結果：< div>test1</ div>

正則表達式二采用的是非貪婪模式，在匹配到第一個"“時使整個表達式匹配成功，由于采用的是非貪婪模式，所以結束匹配，不再向右嘗試，匹配結果為”< div>test1</ div>"。