• 四、正则表达式

    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，示例：

    r'chuanzhiboke	.	python'

    re 模块的一般使用步骤如下：

    1. 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

    2. 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。

    3. 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('one12twothree34four')  # 查找头部，没有匹配
>>> print m
None

>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
>>> print m
None

>>> m = pattern.match('one12twothree34four', 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.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，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 Wide Web')

>>> print m     # 匹配成功，返回一个 Match 对象
<_sre.SRE_Match object at 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 "<stdin>", line 1, in <module>
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('one12twothree34four')  # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)

    再来看一个例子：

    # -*- coding: utf-8 -*-

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']

    再先看一个栗子：

    # re_test.py

import re

#re模块提供一个方法叫compile模块，提供我们输入一个匹配的规则
#然后返回一个pattern实例，我们根据这个规则去匹配字符串
pattern = re.compile(r'd+.d*')

#通过partten.findall()方法就能够全部匹配到我们得到的字符串
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给result
for item in result:
    print item

    运行结果：

    123.141593
3.15
    ------------------------------------------------------------------------------------------------------

    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。

    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 对象
    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())

    执行结果：

    <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)
    ------------------------------------------------------------------------------------------------------

    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
    ------------------------------------------------------------------------------------------------------

    匹配中文

    在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的 unicode 编码范围 主要在 [u4e00-u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。

    假设现在想把字符串 title = u'你好，hello，世界' 中的中文提取出来，可以这么做：

    import re

title = u'你好，hello，世界'
pattern = re.compile(ur'[u4e00-u9fa5]+')
result = pattern.findall(title)

print result

    注意到，我们在正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

    执行结果:

    [u'u4f60u597d', u'u4e16u754c']

    注意：贪婪模式与非贪婪模式

    1. 贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；
    2. 非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；
    3. Python里数量词默认是贪婪的。

    示例一 ： 源字符串：abbbc

    • 使用贪婪的数量词的正则表达式 ab* ，匹配结果： abbb。

      * 决定了尽可能多匹配 b，所以a后面所有的 b 都出现了。

    • 使用非贪婪的数量词的正则表达式ab*?，匹配结果： a。

      即使前面有 *，但是 ? 决定了尽可能少匹配 b，所以没有 b。

    示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc

    • 使用贪婪的数量词的正则表达式：<div>.*</div>

    • 匹配结果：<div>test1</div>bb<div>test2</div>

    这里采用的是贪婪模式。在匹配到第一个“</div>”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个“</div>”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为“<div>test1</div>bb<div>test2</div>”

    • 使用非贪婪的数量词的正则表达式：<div>.*?</div>

    • 匹配结果：<div>test1</div>

    正则表达式二采用的是非贪婪模式，在匹配到第一个“</div>”时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为“<div>test1</div>”。

     

    案例：使用正则表达式的爬虫

    现在拥有了正则表达式这把神兵利器，我们就可以进行对爬取到的全部网页源代码进行筛选了。

    下面我们一起尝试一下爬取内涵段子网站： http://www.neihan8.com/article/list_5_1.html

    打开之后，不难看到里面一个一个灰常有内涵的段子，当你进行翻页的时候，注意url地址的变化：

    • 第一页url: http: //www.neihan8.com/article/list_5_1 .html

    • 第二页url: http: //www.neihan8.com/article/list_5_2 .html

    • 第三页url: http: //www.neihan8.com/article/list_5_3 .html

    • 第四页url: http: //www.neihan8.com/article/list_5_4 .html

    这样我们的url规律找到了，要想爬取所有的段子，只需要修改一个参数即可。 下面我们就开始一步一步将所有的段子爬取下来吧。

    第一步：获取数据

    1. 按照我们之前的用法，我们需要写一个加载页面的方法。

    这里我们统一定义一个类，将url请求作为一个成员方法处理。

    我们创建一个文件，叫duanzi_spider.py

    然后定义一个Spider类，并且添加一个加载页面的成员方法

    import urllib2

class Spider:
    """
        内涵段子爬虫类
    """
    def loadPage(self, page):
        """
            @brief 定义一个url请求网页的方法
            @param page 需要请求的第几页
            @returns 返回的页面html
        """

    url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
    #User-Agent头
    user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0'

    headers = {'User-Agent': user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    html = response.read()
    print html

    #return html

    以上的loadPage的实现体想必大家应该很熟悉了，需要注意定义python类的成员方法需要额外添加一个参数self.

    • 那么loadPage(self, page) 中的page是我们指定去请求第几页。

    • 最后通过 print html打印到屏幕上。

    • 然后我们写一个main函数见到测试一个loadPage方法

    2. 写main函数测试一个loadPage方法
    if __name__ == '__main__':
    """
        ======================
            内涵段子小爬虫
        ======================
    """
    print '请按下回车开始'
    raw_input()

    #定义一个Spider对象
    mySpider = Spider()
    mySpider.loadpage(1)

    • 程序正常执行的话，我们会在屏幕上打印了内涵段子第一页的全部html代码。 但是我们发现，html中的中文部分显示的可能是乱码 。

    那么我们需要简单的将得到的网页源代码处理一下：

    
def loadPage(self, page):
    """
        @brief 定义一个url请求网页的方法
        @param page 需要请求的第几页
        @returns 返回的页面html
    """

    url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
    #User-Agent头
    user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0'
    headers = {'User-Agent': user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    html = response.read()
    gbk_html = html.decode('gbk').encode('utf-8')
    # print gbk_html
    return gbk_html

    注意 ：对于每个网站对中文的编码各自不同，所以html.decode(‘gbk’)的写法并不是通用写法，根据网站的编码而异

    • 这样我们再次执行以下duanzi_spider.py ，会发现之前的中文乱码可以正常显示了。

    第二步：筛选数据

    接下来我们已经得到了整个页面的数据。 但是，很多内容我们并不关心，所以下一步我们需要进行筛选。 如何筛选，就用到了上一节讲述的正则表达式。

    • 首先
    import re
    • 然后, 在我们得到的gbk_html中进行筛选匹配。

    我们需要一个匹配规则:

    我们可以打开内涵段子的网页，鼠标点击右键 “ 查看源代码 ” 你会惊奇的发现，我们需要的每个段子的内容都是在一个 <div>标签中，而且每个div都有一个属性class = "f18 mb20"

    所以，我们只需要匹配到网页中所有<div class="f18 mb20"> 到 </div> 的数据就可以了。

    根据正则表达式，我们可以推算出一个公式是:
    <div.*?class="f18 mb20">(.*?)</div>

    • 这个表达式实际上就是匹配到所有div中class="f18 mb20 里面的内容(具体可以看前面正则介绍)

    • 然后将这个正则应用到代码中，我们会得到以下代码：

    def loadPage(self, page):
    """
        @brief 定义一个url请求网页的方法
        @param page 需要请求的第几页
        @returns 返回的页面html
    """

    url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
    #User-Agent头
    user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0'
    headers = {'User-Agent': user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    html = response.read()
    gbk_html = html.decode('gbk').encode('utf-8')

    #找到所有的段子内容<div class = "f18 mb20"></div>
    #re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串，如果没有则下一行重新匹配
    # 如果加上re.S 则是将所有的字符串将一个整体进行匹配
    pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</di
v>', re.S)
    item_list = pattern.findall(gbk_html)

    return item_list


def printOnePage(self, item_list, page):
    """
        @brief 处理得到的段子列表
        @param item_list 得到的段子列表
        @param page 处理第几页
    """

    print "******* 第 %d 页 爬取完毕...*******" %page
    for item in item_list:
        print "================"
        print ite

    • 这里需要注意一个是re.S是正则表达式中匹配的一个参数。

    • 如果 没有re.S 则是 只匹配一行 有没有符合规则的字符串，如果没有则下一行重新匹配。

    • 如果 加上re.S 则是将 所有的字符串 将一个整体进行匹配，findall 将所有匹配到的结果封装到一个list中。
    • 然后我们写了一个遍历item_list的一个方法 printOnePage() 。 ok程序写到这，我们再一次执行一下。
    Power@PowerMac ~$ python duanzi_spider.py
    我们第一页的全部段子，不包含其他信息全部的打印了出来。
    • 你会发现段子中有很多 <p> , </p> 很是不舒服，实际上这个是html的一种段落的标签。

    • 在浏览器上看不出来，但是如果按照文本打印会有<p>出现，那么我们只需要把我们不希望的内容去掉即可了。

    • 我们可以如下简单修改一下 printOnePage().

    def printOnePage(self, item_list, page):
    """
        @brief 处理得到的段子列表
        @param item_list 得到的段子列表
        @param page 处理第几页
    """

    print "******* 第 %d 页 爬取完毕...*******" %page
    for item in item_list:
        print "================"
        item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")
        print item

    第三步：保存数据

    • 我们可以将所有的段子存放在文件中。比如，我们可以将得到的每个item不是打印出来，而是存放在一个叫 duanzi.txt 的文件中也可以。
    def writeToFile(self, text):
'''
    @brief 将数据追加写进文件中
    @param text 文件内容
'''
    myFile = open("./duanzi.txt", 'a') #追加形式打开文件
    myFile.write(text)
    myFile.write("---------------------------------------------
--------")
    myFile.close()
    • 然后我们将print的语句 改成writeToFile() ，当前页面的所有段子就存在了本地的MyStory.txt文件中。
    def printOnePage(self, item_list, page):
'''
    @brief 处理得到的段子列表
    @param item_list 得到的段子列表
    @param page 处理第几页
'''
    print "******* 第 %d 页 爬取完毕...*******" %page
    for item in item_list:
        # print "================"
        item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")
        # print item
        self.writeToFile(item)

    第四步：显示数据

    • 接下来我们就通过参数的传递对page进行叠加来遍历 内涵段子吧的全部段子内容。

    • 只需要在外层加一些逻辑处理即可。

    def doWork(self):
'''
    让爬虫开始工作
'''
    while self.enable:
        try:
            item_list = self.loadPage(self.page)
        except urllib2.URLError, e:
            print e.reason
            continue

        #对得到的段子item_list处理
        self.printOnePage(item_list, self.page)
        self.page += 1 #此页处理完毕，处理下一页
        print "按回车继续..."
        print "输入 quit 退出"
        command = raw_input()
        if (command == "quit"):
            self.enable = False
            break
    • 最后，我们执行我们的代码，完成后查看当前路径下的duanzi.txt文件，里面已经有了我们要的内涵段子。

    以上便是一个非常精简使用的小爬虫程序，使用起来很是方便，如果想要爬取其他网站的信息，只需要修改其中某些参数和一些细节就行了。
  • 相关阅读:
    linux安装redis 完整步骤
    java获取音频文件播放时长
    jar包部署在linux上后浏览器访问不到的问题
    FileRead方法
    FileWrite方法
    用Calendar方法知道月份的天数
    Calendar的用法
    两个时间相减（java简单用法）
    单列体现（Runtime）
    Random方法
  • 原文地址：https://www.cnblogs.com/steven9898/p/11309777.html
Copyright © 2020-2023  润新知