千锋教育-做有情怀、有良心、有品质的职业教育机构

手机站
千锋教育

千锋学习站 | 随时随地免费学

千锋教育

扫一扫进入千锋手机站

领取全套视频
千锋教育

关注千锋学习站小程序
随时随地免费学习课程

当前位置:首页  >  技术干货  > 爬虫中的正则表达式使用

爬虫中的正则表达式使用

来源:千锋教育
发布人:qyf
时间: 2022-08-31 16:00:00 1661932800

爬虫中的正则表达式使用

  正则表达式与爬虫:

  爬虫四个主要步骤:

  • 明确目标 (要知道你准备在哪个范围或者网站去搜索)

  • 爬 (将所有的网站的内容全部爬下来)

  • 取 (去掉对我们没用处的数据)

  • 处理数据(按照我们想要的方式存储和使用)

  那么在文本过滤这块最强大的就是正则表达式,更是python爬虫世界必不可少利器。

  什么是正则表达式

  正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(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。

  给定一个正则表达式和另一个字符串,我们可以达到如下的目的:

  • 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”)。

  正则表达式匹配规则

  Python 的 re 模块

  在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。

  有一点需要特别注意的是,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:

  re 模块的一般使用步骤如下:

  • 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:

  import re

  # 将正则表达式编译成 Pattern 对象

  pattern = re.compile(r'\d+')

  在上面,我们已将一个正则表达式编译成 Pattern 对象,接下来,我们就可以利用 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:

  match(string[, pos[, endpos]])

  其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。

  当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

  >>> import re

  >>> pattern = re.compile(r'\d+') # 用于匹配至少一个数字

  >>> m = pattern.match(' okk12hellohai34fine') # 查找头部,没有匹配

  >>> print m

  None

  >>> m = pattern.match(' okk12hellohai34fine ', 2, 10) # 从'k'的位置开始匹配,没有匹配

  >>> print m

  None

  >>> m = pattern.match(' okk12hellohai34fine ', 3, 10) # 从'1'的位置开始匹配,正好匹配

  >>> print m # 返回一个 Match 对象

  <sre.srematch 0x10a42aac0="" at="" object="">

  >>> 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,当匹配成功时返回一个 Match 对象,其中:

  • 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))。

  再看看一个例子:

  >>> import re

  >>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写

  >>> m = pattern.match('Hello World Wife Web')

  >>> print m # 匹配成功,返回一个 Match 对象

  <sre.srematch at="" object="" 0x10bea83e8="">

  >>> m.group(0) # 返回匹配成功的整个子串

  'Hello World'

  >>> m.span(0) # 返回匹配成功的整个子串的索引

  (0, 11)

  >>> m.group(1) # 返回第一个分组匹配成功的子串

  'Hello'

  >>> m.span(1) # 返回第一个分组匹配成功的子串的索引

  (0, 5)

  >>> m.group(2) # 返回第二个分组匹配成功的子串

  'World'

  >>> m.span(2) # 返回第二个分组匹配成功的子串

  (6, 11)

  >>> m.groups() # 等价于 (m.group(1), m.group(2), ...)

  ('Hello', 'World')

  >>> m.group(3) # 不存在第三个分组

  Traceback (most recent call last):

  File "", line 1, in

  IndexError: no such 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:

  search(string[, pos[, endpos]])

  其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

  当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

  让我们看看例子:

  >>> import re

  >>> pattern = re.compile('\d+')

  >>> m = pattern.search(' okk12hellohai34fine ') # 这里如果使用 match 方法则不匹配

  >>> m

  <sre.srematch at="" object="" 0x10cc03ac0="">

  >>> m.group()

  '12'

  >>> m = pattern.search(' okk12hellohai34fine ', 10, 30) # 指定字符串区间

  >>> m

  <sre.srematch at="" object="" 0x10cc03b28="">

  >>> m.group()

  '34'

  >>> m.span()

  (13, 15)

  再来看一个例子:

  import re

  # 将正则表达式编译成 Pattern 对象

  pattern = re.compile(r'\d+')

  # 使用 search() 查找匹配的子串,不存在匹配的子串时将返回 None

  # 这里使用 match() 无法成功匹配

  m = pattern.search('hello 123456 789')

  if m:

  # 使用 Match 获得分组信息

  print 'matching string:',m.group()

  # 起始位置和结束位置

  print 'position:',m.span()

  执行结果:

  matching string: 123456

  position: (6, 12)

  findall 方法

  上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。

  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 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

  findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。

  看看例子:

  import re

  pattern = re.compile(r'\d+') # 查找数字

  result1 = pattern.findall('hello 123456 789')

  result2 = pattern.findall('one1two2three3four4', 0, 10)

  print result1

  print result2

  执行结果:

  ['123456', '789']

  ['1', '2']

  finditer 方法

  finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。

  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:

  split(string[, maxsplit])

  其中,maxsplit 用于指定最大分割次数,不指定将全部分割。

  看看例子:

  import re

  p = re.compile(r'[\s\,\;]+')

  print p.split('a,b;; c d')

  执行结果:

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

  sub 方法

  sub 方法用于替换。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个函数:

  • 如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;

  • 如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。

  • count 用于指定最多替换次数,不指定时全部替换。

  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' 替换 'hello 123' 和 'hello 456'

  print p.sub(r'\2 \1', s) # 引用分组

  def func(m):

  return 'hi' + ' ' + m.group(2)

  print p.sub(func, s)

  print p.sub(func, s, 1) # 最多替换一次

  执行结果:

  hello world, hello world

  123 hello, 456 hello

  hi 123, hi 456

  hi 123, hello 456

  更多关于“Python培训”的问题,欢迎咨询千锋教育在线名师。千锋教育多年办学,课程大纲紧跟企业需求,更科学更严谨,每年培养泛IT人才近2万人。不论你是零基础还是想提升,都可以找到适合的班型,千锋教育随时欢迎你来试听。

tags:
声明:本站稿件版权均属千锋教育所有,未经许可不得擅自转载。
10年以上业内强师集结,手把手带你蜕变精英
请您保持通讯畅通,专属学习老师24小时内将与您1V1沟通
免费领取
今日已有369人领取成功
刘同学 138****2860 刚刚成功领取
王同学 131****2015 刚刚成功领取
张同学 133****4652 刚刚成功领取
李同学 135****8607 刚刚成功领取
杨同学 132****5667 刚刚成功领取
岳同学 134****6652 刚刚成功领取
梁同学 157****2950 刚刚成功领取
刘同学 189****1015 刚刚成功领取
张同学 155****4678 刚刚成功领取
邹同学 139****2907 刚刚成功领取
董同学 138****2867 刚刚成功领取
周同学 136****3602 刚刚成功领取
相关推荐HOT