python爬虫从入门到放弃(五)之 正则的基本使用

来源:互联网 时间:2017-06-01

 什么是正则表达式

正则表达式是对字符 操作的 种逻辑公式,就是 事先定义好的 些特定 字符、及这些特定字符的组合,组成 个“规则字符”,这个“规则字符” 来表达对字符的种过滤逻辑。

正则并不是python独有的,其他语言也都有正则
python中的正则,封装了re模块

python正则的详细讲解

常用的匹配模式

/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.match()

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()就会返回None
语法格式:
re.match(pattern,string,flags=0)

最常规的匹配

import recontent= "hello 123 4567 World_This is a regex Demo"result = re.match('^hello/s/d/d/d/s/d{4}/s/w{10}.*Demo$',content)print(result)print(result.group())print(result.span())

结果如下:

result.group()获取匹配的结果
result.span()获去匹配字符串的长度范围
泛匹配

其实相对来说上面的方式并不是非常方便,其实可以将上述的正则规则进行更改

import recontent= "hello 123 4567 World_This is a regex Demo"result = re.match("^hello.*Demo$",content)print(result)print(result.group())print(result.span())

这段代码的结果和上面常规匹配的结果是一样的,但是写起来会方便很多

匹配目标

如果为了匹配字符串中具体的目标,则需要通过()括起来,例子如下:

import recontent= "hello 1234567 World_This is a regex Demo"result = re.match('^hello/s(/d+)/sWorld.*Demo$',content)print(result)print(result.group())print(result.group(1))print(result.span())

结果如下:

这里需要说一下的是通过re.group()获得结果后,如果正则表达式中有括号,则re.group(1)获取的就是第一个括号中匹配的结果

贪婪匹配

先看下面代码:

import recontent= "hello 1234567 World_This is a regex Demo"result= re.match('^hello.*(/d+).*Demo',content)print(result)print(result.group(1))

这段代码的结果是

从结果中可以看出只匹配到了7,并没有匹配到1234567,出现这种情况的原因是前面的.* 给匹配掉了, .*在这里会尽可能的匹配多的内容,也就是我们所说的贪婪匹配,

如果我们想要匹配到1234567则需要将正则表达式改为:

result= re.match('^he.*?(/d+).*Demo',content)

这样结果就可以匹配到1234567

匹配模式

很多时候匹配的内容是存在换行的问题的,这个时候的就需要用到匹配模式re.S来匹配换行的内容

import recontent = """hello 123456 world_thismy name is zhaofan"""result =re.match('^he.*?(/d+).*?zhaofan$',content,re.S)print(result)print(result.group())print(result.group(1))

结果如下

转义

当我们要匹配的内容中存在特殊字符的时候,就需要用到转移符号/,例子如下:

import recontent= "price is $5.00"result = re.match('price is /$5/.00',content)print(result)print(result.group())

对上面的一个小结:
尽量使用泛匹配,使用括号得到匹配目标,尽量使用非贪婪模式,有换行符就用re.S
强调re.match是从字符串的起始位置匹配一个模式

re.search

re.search扫描整个字符串返回第一个成功匹配的结果

import recontent = "extra things hello 123455 world_this is a Re Extra things"result = re.search("hello.*?(/d+).*?Re",content)print(result)print(result.group())print(result.group(1))

结果如下:

其实这个时候我们就不需要在写^以及$,因为search是扫描整个字符串

注意:所以为了匹配方便,我们会更多的用search,不用match,match必须匹配头部,所以很多时候不是特别方便

匹配演练

例子1:

import rehtml = '''<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction">经典老歌列表 </p> <ul id="list" class="list-group"><li data-view="2">一路上有你</li><li data-view="7"><a href="/2.mp3" singer="任贤齐">沧海一声笑</a></li><li data-view="4" class="active"><a href="/3.mp3" singer="齐秦">往事随风</a></li><li data-view="6"><a href="/4.mp3" singer="*">光辉岁月</a></li><li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li><li data-view="5"><a href="/6.mp3" singer="邓丽君">但愿人长久</a></li> </ul></div>'''result = re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>',html,re.S)print(result)print(result.groups())print(result.group(1))print(result.group(2))

结果为:

re.findall

搜索字符串,以列表的形式返回全部能匹配的子串

代码例子如下:

import rehtml = '''<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction">经典老歌列表 </p> <ul id="list" class="list-group"><li data-view="2">一路上有你</li><li data-view="7"><a href="/2.mp3" singer="任贤齐">沧海一声笑</a></li><li data-view="4" class="active"><a href="/3.mp3" singer="齐秦">往事随风</a></li><li data-view="6"><a href="/4.mp3" singer="*">光辉岁月</a></li><li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li><li data-view="5"><a href="/6.mp3" singer="邓丽君">但愿人长久</a></li> </ul></div>'''results = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S)print(results)print(type(results))for result in results: print(result) print(result[0], result[1], result[2])

结果如下:

例子2:

import rehtml = '''<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction">经典老歌列表 </p> <ul id="list" class="list-group"><li data-view="2">一路上有你</li><li data-view="7"><a href="/2.mp3" singer="任贤齐">沧海一声笑</a></li><li data-view="4" class="active"><a href="/3.mp3" singer="齐秦">往事随风</a></li><li data-view="6"><a href="/4.mp3" singer="*">光辉岁月</a></li><li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li><li data-view="5"><a href="/6.mp3" singer="邓丽君">但愿人长久</a></li> </ul></div>'''results = re.findall('<li.*?>/s*?(<a.*?>)?(/w+)(</a>)?/s*?</li>',html,re.S)print(results)for result in results: print(result[1])

结果如下:

其实这里我们就可以看出

/s*? 这种用法其实就是为了解决有的有换行,有的没有换行的问题

(<a.*?>)? 这种用法是因为html中有的有a标签,有的没有的,?表示匹配一个或0个,正好可以用于匹配

re.sub

替换字符串中每一个匹配的子串后返回替换后的字符串

re.sub(正则表达式,替换成的字符串,原字符串)

例子1

import recontent = "Extra things hello 123455 World_this is a regex Demo extra things"content = re.sub('/d+','',content)print(content)

结果会讲数字替换为为空:

例子2,在有些情况下我们替换字符的时候,还想获取我们匹配的字符串,然后在后面添加一些内容,可以通过下面方式实现:

import recontent = "Extra things hello 123455 World_this is a regex Demo extra things"content = re.sub('(/d+)',r'/1 7890',content)print(content)

结果如下:

这里需要注意的一个问题是/1是获取第一个匹配的结果,为了防止转义字符的问题,我们需要在前面加上r

re.compile

将正则表达式编译成正则表达式对象,方便复用该正则表达式

import recontent= """hello 12345 world_this123 fan"""pattern =re.compile("hello.*fan",re.S)result = re.match(pattern,content)print(result)print(result.group())

正则的一个整体联系

获取豆瓣网书籍的页面的书籍信息,通过正则实现

import requestsimport recontent = requests.get('https://book.douban.com/').textpattern = re.compile('<li.*?cover.*?href="(.*?)".*?title="(.*?)".*?more-meta.*?author">(.*?)</span>.*?year">(.*?)</span>.*?</li>', re.S)results = re.findall(pattern, content)print(results)for result in results: url,name,author,date = result author = re.sub('/s','',author) date = re.sub('/s','',date) print(url,name,author,date)

结果如下:

相关阅读:
Top