在之前的文章中我們介紹了一下 requests 子產品,今天我們再來看一下 Python 爬蟲中的正則表達的使用和 re 子產品。
實際上爬蟲一共就四個主要步驟:
- 明确目标 (要知道你準備在哪個範圍或者網站去搜尋)
- 爬 (将所有的網站的内容全部爬下來)
- 取 (去掉對我們沒用處的資料)
- 處理資料(按照我們想要的方式存儲和使用)
我們在之前寫的爬蟲程式中,都隻是擷取到了頁面的全部内容,也就是隻進行到了第2步,但是大部分的東西是我們不關心的,是以我們需要将之按我們的需要過濾和比對出來。這時候我們就需要用到了正規表達式。
什麼是正規表達式
正規表達式,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。
正規表達式是對字元串操作的一種邏輯公式,就是用事先定義好的一些特定字元、及這些特定字元的組合,組成一個“規則字元串”,這個“規則字元串”用來表達對字元串的一種過濾邏輯。
給定一個正規表達式和另一個字元串,我們可以達到如下的目的:
- 給定的字元串是否符合正規表達式的過濾邏輯(“比對”);
- 通過正規表達式,從文本字元串中擷取我們想要的特定部分(“過濾”)。
正規表達式比對規則
Python 的 re 子產品
在 Python 中,我們可以使用内置的 re 子產品來使用正規表達式。
有一點需要特别注意的是,正規表達式使用 對特殊字元進行轉義,是以如果我們要使用原始字元串,隻需加一個 r 字首,如下:
r'python\t\.\tpython'
re 子產品的一般使用步驟如下:
- 使用
函數将正規表達式的字元串形式編譯為一個compile()
對象Pattern
- 通過
對象提供的一系列方法對文本進行比對查找,獲得比對結果,一個 Match 對象。Pattern
- 最後使用
對象提供的屬性和方法獲得資訊,根據需要進行其他的操作Match
compile 函數
compile 函數用于編譯正規表達式,生成一個 Pattern 對象,它的一般使用形式如下:
1 import re
2
3 # 将正規表達式編譯成 Pattern 對象
4 pattern = re.compile(r'\d+')
在上面,我們已将一個正規表達式編譯成 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比對查找了。
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,一次比對
- search 方法:從任何位置開始查找,一次比對
- findall 方法:全部比對,傳回清單
- finditer 方法:全部比對,傳回疊代器
- split 方法:分割字元串,傳回清單
- sub 方法:替換
match 方法
match 方法用于查找字元串的頭部(也可以指定起始位置),它是一次比對,隻要找到了一個比對的結果就傳回,而不是查找所有比對的結果。它的一般使用形式如下:
match(string[, pos[, endpos]])
其中,string 是待比對的字元串,pos 和 endpos 是可選參數,指定字元串的起始和終點位置,預設值分别是 0 和 len (字元串長度)。是以,當你不指定 pos 和 endpos 時,match 方法預設比對字元串的頭部。
當比對成功時,傳回一個 Match 對象,如果沒有比對上,則傳回 None。
1 import re
2
3 pattern = re.compile(r'\d+') # 用于比對至少一個數字
4
5 str = 'abc123def456'
6
7 p = pattern.match(str) # 查找頭部,沒有比對
8 print(p) # None
9
10 p = pattern.match(str, 2, 9) # 從'c'的位置開始比對,沒有比對
11 print(p) # None
12
13 p = pattern.match(str, 3, 9) # 從'4'的位置開始比對,正好比對, 傳回一個 Match 對象
14 print(p) # <re.Match object; span=(3, 6), match='123'>
15
16 p = p.group(0) # 可省略 0
17 print(p) # 123
18
19 p = p.start(0) # 可省略 0
20 print(p) # 3
21
22 p = p.end(0) # 可省略 0
23 print(p) # 6
24
25 p = p.span(0) # 可省略 0
26 print(p) # (3, 6)
在上面,當比對成功時傳回一個 Match 對象,其中:
- group([group1, …]) 方法用于獲得一個或多個分組比對的字元串,當要獲得整個比對的子串時,可直接使用 group() 或 group(0);
- start([group]) 方法用于擷取分組比對的子串在整個字元串中的起始位置(子串第一個字元的索引),參數預設值為 0;
- end([group]) 方法用于擷取分組比對的子串在整個字元串中的結束位置(子串最後一個字元的索引+1),參數預設值為 0;
- span([group]) 方法傳回 (start(group), end(group))。
我們再來看一下具體用法:
1 import re
2
3 pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # 用于比對至少一個字母, re.I 表示忽略大小寫
4
5 str = 'Hello world hello Python'
6
7 p = pattern.match(str) # 查找頭部,比對成功,傳回一個 Match 對象
8 print(p) # <re.Match object; span=(0, 11), match='Hello world'>
9
10 p = p.group(0) # 傳回比對成功的整個子串
11 print(p) # Hello world
12
13 p = p.group(1) # 傳回第一個分組比對成功的子串
14 print(p) # Hello
15 p = p.group(2) # 傳回第二個分組比對成功的子串
16 print(p) # world
17 p = p.group(3) # 不存在第三個分組
18 print(p) # IndexError: no such group
19
20 p = p.span(0) # 傳回比對成功的整個子串的索引
21 print(p) # (0, 11)
22 p = p.span(1) # 傳回第一個分組比對成功的子串的索引
23 print(p) # (0, 5)
24 p = p.span(2) # 傳回第二個分組比對成功的子串的索引
25 print(p) # (6, 11)
26 p = p.span(3) # 不存在第三個分組
27 print(p) # IndexError: no such group
28
29 p = p.start(0) # 傳回比對成功的整個子串的開始下标
30 print(p) # 0
31 p = p.end(0) # 傳回比對成功的整個子串的結束下标
32 print(p) # 11
33 p = p.start(1) # 傳回第一個分組比對成功的子串的開始下标
34 print(p) # 0
35 p = p.end(1) # 傳回第一個分組比對成功的子串的結束下标
36 print(p) # 5
37 p = p.start(2) # 傳回第二個分組比對成功的子串的開始下标
38 print(p) # 6
39 p = p.end(2) # 傳回第二個分組比對成功的子串的結束下标
40 print(p) # 11
41 p = p.start(3) # 傳回第三個分組比對成功的子串的開始下标
42 print(p) # IndexError: no such group
43 p = p.end(3) # 傳回第三個分組比對成功的子串的結束下标
44 print(p) # IndexError: no such group
45
46 p = p.groups() # 等價于 (m.group(1), m.group(2), ...)
47 print(p) # ('Hello', 'world')
search 方法
search 方法用于查找字元串的任何位置,它也是一次比對,隻要找到了一個比對的結果就傳回,而不是查找所有比對的結果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待比對的字元串,pos 和 endpos 是可選參數,指定字元串的起始和終點位置,預設值分别是 0 和 len (字元串長度)。
當比對成功時,傳回一個 Match 對象,如果沒有比對上,則傳回 None。
1 import re
2
3 pattern = re.compile(r'\d+') # 用于比對至少一個數字
4
5 str = 'abc123def456'
6
7 p = pattern.search(str) # 查找頭部,比對成功,傳回一個 Match 對象
8 print(p) # <re.Match object; span=(3, 6), match='123'>
9
10 p = pattern.search(str, 1, 3) # 指定區間, 比對失敗,傳回一個 None
11 print(p) # None
12
13 p = pattern.search(str, 8, 10) # 指定區間, 比對成功,傳回一個 Match 對象
14 print(p) # <re.Match object; span=(9, 10), match='4'>
findall 方法
上面的 match 和 search 方法都是一次比對,隻要找到了一個比對的結果就傳回。然而,在大多數時候,我們需要搜尋整個字元串,獲得所有比對的結果。
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string 是待比對的字元串,pos 和 endpos 是可選參數,指定字元串的起始和終點位置,預設值分别是 0 和 len (字元串長度)。
findall 以清單形式傳回全部能比對的子串,如果沒有比對,則傳回一個空清單。
1 import re
2
3 pattern = re.compile(r'\d+') # 用于比對至少一個數字
4
5 str = 'abc123def456'
6
7 p = pattern.findall(str) # 傳回一個清單對象
8 print(p) # ['123', '456']
9
10 p = pattern.findall(str, 1, 3) # 傳回一個清單對象
11 print(p) # []
finditer 方法
finditer 方法的行為跟 findall 的行為類似,也是搜尋整個字元串,獲得所有比對的結果。但它傳回一個順序通路每一個比對結果(Match 對象)的疊代器。
1 import re
2
3 pattern = re.compile(r'\d+') # 用于比對至少一個數字
4
5 str = 'abc123def456'
6
7 p = pattern.finditer(str) # 傳回一個 Match 對象
8 print(p) # <callable_iterator object at 0x1054eb400>
9
10 p = pattern.finditer(str, 1, 3) # 傳回一個 Match 對象
11 print(p) # <callable_iterator object at 0x10552e358>
在實際中我們很少應用 finditer 方法,因為我們還需要對擷取的 Match 對象進行進一步處理,如循環,group() 等來擷取直覺資料。
split 方法
split 方法按照能夠比對的子串将字元串分割後傳回清單,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit 用于指定最大分割次數,不指定将全部分割。
1 import re
2
3 pattern = re.compile(r'[\s\,\;]+') # 比對至少一個空格和 ;
4
5 str = 'a,b;; c d'
6
7 p = pattern.split(str)
8 print(p) # ['a', 'b', 'c', 'd']
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 可以是字元串也可以是一個函數:
- 如果 repl 是字元串,則會使用 repl 去替換字元串每一個比對的子串,并傳回替換後的字元串,另外,repl 還可以使用 id 的形式來引用分組,但不能使用編号 0;
- 如果 repl 是函數,這個方法應當隻接受一個參數(Match 對象),并傳回一個字元串用于替換(傳回的字元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。
1 import re
2
3 pattern = re.compile(r'(\w+) (\w+)', re.I) # \w = [A-Za-z0-9]
4
5 str = 'Hello 123, hello 456'
6
7 p = pattern.sub(r'hello World', str) # 使用 'hello World' 替換 'Hello 123' 和 'hello 456'
8 print(p) # hello World, hello World
9
10 p = pattern.sub(r'hello World', str, 1) # 使用 'hello World' 替換 'Hello 123', 1 表示最多替換一次
11 print(p) # hello World, hello 456