网络爬虫--9.正则表达式

文章目录

  • 一. 正则表达式
    • 1.为什么要学正则表达式
    • 2.什么是正则表达式
    • 3.正则表达式匹配规则
  • 二. Python 的 re 模块
    • 1.re 模块的一般使用步骤
    • 2.compile 函数
    • 3.match 方法
    • 4.search 方法
    • 5.findall 方法
    • 6.finditer 方法
    • 7.split 方法
    • 8.sub 方法
    • 9.匹配中文
    • 10.贪婪模式与非贪婪模式
      • 1)示例一
      • 2)示例二

一. 正则表达式

正则表达式测试网址: 在线工具

1.为什么要学正则表达式

实际上爬虫一共就四个主要步骤:

  1. 明确目标 (要知道你准备在哪个范围或者网站去搜索)
  2. 爬 (将所有的网站的内容全部爬下来)
  3. 取 (去掉对我们没用处的数据)
  4. 处理数据(按照我们想要的方式存储和使用)

我们在昨天的案例里实际上省略了第3步,也就是"取"的步骤。因为我们down下了的数据是全部的网页,这些数据很庞大并且很混乱,大部分的东西使我们不关心的,因此我们需要将之按我们的需要过滤和匹配出来。

那么对于文本的过滤或者规则的匹配,最强大的就是正则表达式,是Python爬虫世界里必不可少的神兵利器。

2.什么是正则表达式

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:

  1. 给定的字符串是否符合正则表达式的过滤逻辑(“匹配”);
  2. 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”)。
    在这里插入图片描述

3.正则表达式匹配规则

在这里插入图片描述

二. 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:

1.re 模块的一般使用步骤

  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

2.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

3.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

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)

5.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:

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

6.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)

7.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']

8.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):print(m)return 'hi' + ' ' + m.group(2) #group(0) 表示本身,group(1)表示hello,group(2) 表示后面的数字print (p.sub(func, s))  #多次sub,每次sub的结果传递给func
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

9.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 retitle = '你好,hello,世界'
pattern = re.compile(r'[\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:

['你好', '世界']

10.贪婪模式与非贪婪模式

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 ( * );
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 ( ? );
Python里数量词默认是贪婪的。

1)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。

2)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"“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”“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"“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>"。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/452048.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

概念模型

将需求分析得到的用户需求抽象为信息结构&#xff08;即概念模型&#xff09;的过程就是概念结构设计 概念模型的特点 &#xff08;1&#xff09;能真实、充分地反映现实世界&#xff0c;是现实世界的一个真 实模型。 &#xff08;2&#xff09;易于理解&#xff0c;从…

笔记本电池的正确使用方法

一、新买笔记本不需要激活&#xff0c;也不需要前三次的充电12小时深充深放&#xff0c;这主要是锂电池的原理和特性决定的。电池设计有电量保护&#xff0c;不可能将电量完全用完&#xff0c;当然也不可能过度充电。 二、笔记本电池的寿命受周围环境的影响很大&#xff0c;最好…

关于XShell 启动虚拟机的weblogic并在本地打开oracle-weblogic 有关部署

对于没有用过这款软件的童鞋&#xff0c;我想必定会有几步弯路&#xff1a; 1.新建好的虚拟机记得换成root用户【su root】~ifconfig【eth0 inet addr】如果没有这项请点击右上角的电脑标识&#xff0c;鼠标左击一下连接&#xff0c;没有了x号就重新输入ifconfig就有了 2.xshe…

JQuery Datatables Dom 和 Language 参数详细说明

前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到教程。 Dom说明 定义表格控件在页面的显示顺序。 每个控件元素在数据表都有一个关联的单个字母。 l - 每页显示行数的控件f - 检索条件的控件…

程序员的思维修炼》读书笔记

PB15061359 王亚正 这本书主要是从思维角度上来写的&#xff0c;不具体针对到程序员如何写代码。我觉得这本书不仅仅适合程序员&#xff0c;其他对各行各业的人都同样适用。 书中首先讲了新手和专家的区别&#xff0c;一个需要靠规则&#xff0c;另一个则是靠感觉。 之后介绍了…

网络爬虫--10.使用正则表达式的爬虫

文章目录一. 前言二. 第一步&#xff1a;获取数据三. 第二步&#xff1a;筛选数据四. 第三步&#xff1a;保存数据五. 第四步&#xff1a;实现循环抓取一. 前言 现在拥有了正则表达式这把神兵利器&#xff0c;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…

一对一 一对多 多对多

一对一 例如&#xff0c;学校里一个班级只有一个正班长&#xff0c;而一个班长只在一个班中任职&#xff0c;则班级与班长之间具有一对一联系。 一对多 例如&#xff0c;一个班级中有若干名学生&#xff0c;而每个学生只在一个班级中学习&#xff0c;则班级与学生之间具有一…

Mac下的Jenkins安装

安装方式 1&#xff09;通过命令行安装 brew install jenkins&#xff0c;可能会遇到先更新 brew 的情况 https://brew.sh/index_zh-cn&#xff1b; 2&#xff09;通过 pkg 安装&#xff0c;官方网址&#xff1a;https://jenkins.io/ 安装完成后&#xff0c;会自动打开浏览器…

Order By 排序条件中带参数的写法(Oracle数据库、MyBatis)

前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到教程。 sortWay 是参数。 当sortWay 为 llpx 就 ORDER BY FORMAT ASC&#xff0c;为 btypx 就ORDER BY BID DESC &#xff0c;为 zhpx 就 ORDE…

拼凑代码与编程

拼凑代码与编程&#xff08;Hacking Vs. Programming&#xff09;之间有什么不同&#xff1f;我听说过的一个观点是骇客可以在短时间内编许多代码&#xff0c;但是一旦发生变更&#xff0c;这些代码就要完全重写。而程序员也许会花更多的时间来编码&#xff0c;但发生变化的时候…

实体间的联系

&#xff08;1&#xff09;两个实体型之间的联系&#xff1a; ①一对一联系&#xff08;1∶1&#xff09; ②一对多联系&#xff08;1∶n&#xff09; ③多对多联系&#xff08;m∶n&#xff09; &#xff08;2&#xff09;两个以上的实体型之间的联系&#xff1a; 一般地…

【文章】孝心无价 作者:毕淑敏

我不喜欢一个苦孩子求学的故事。家庭十分困难&#xff0c;父亲逝去&#xff0c;弟妹嗷嗷待哺&#xff0c;可他大学毕业后&#xff0c;还要坚持读研究生&#xff0c;母亲只有去卖血……我以为那是一个自私的学子。求学的路很漫长&#xff0c;一生一世的事业&#xff0c;何必太在…

git源码安装

安装依赖yum -y install perl-ExtUtils-MakeMaker tcl libcurl-devel curl-devel expat-devel yum-y install gettext-devel openssl-devel zlib-devel libcurl4-openssl-dev xmlto yum -y install asciidoc docbook2X openjade texinfo perl-XML-SAX nss curlcd /usr/bin…

chrome 开启 JSONview 方法,让json数据格式化显示

前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到教程。 在浏览器上作接口测试的时候看到json 格式的数据是密密麻麻的一片&#xff0c;眼睛都花了.. 如&#xff1a; 设置下chrome 浏览器就好了…

联系的度

联系的度&#xff1a;参与联系的实体型的数目 2个实体型之间的联系度为2&#xff0c;也称为二元联系&#xff1b; 3个实体型之间的联系度为3&#xff0c;称为三元联系&#xff1b; N个实体型之间的联系度为N&#xff0c;也称为N元联系

Could not fetch URL https://pypi.org/simple/pip/: There was a problem confirming the ssl certificate

安装jsonpath&#xff1a;>pip install jsonpath 报错&#xff1a;Could not fetch URL https://pypi.org/simple/pip/: There was a problem confirming the ssl certificate: HTTPSConnectionPool(host‘pypi.org’, port443): Max retries exceeded with url: /simple/p…

百度贴吧10亿量级LAMP架构分享

导读&#xff1a;天下武功&#xff0c;唯快不破。对日益激烈的互联网竞争你所拥有的利器就是快&#xff01;本文来自百度贴吧的LAMP解决方案介绍&#xff0c;摘录至此旨在研究分享&#xff0c;看看其是如何全面支持快速迭代的。 文章内容如下&#xff1a; 贴吧是功能性产品&a…

python基础-PyYaml操作yaml文件

yaml语法 格式 它的基本语法规则如下 大小写敏感 使用缩进表示层级关系 缩进时不允许使用Tab键&#xff0c;只允许使用空格。 缩进的空格数目不重要&#xff0c;只要相同层级的元素左侧对齐即可 YAML 支持的数据结构有三种 1、对象&#xff1a;键值对的集合&#xff0c;又称为映…

N1CTF 塞题vote分析

N1CTF 塞题vote分析&#xff1a;这个题是一个uaf的漏洞题&#xff0c;我们先看看漏洞&#xff08;如下图&#xff09;&#xff0c;这两部分是很明显的对比的啊。当单独的一个count数组的数据和堆里的数据相同时候&#xff0c;就会释放堆&#xff0c;堆释放后的count还会有指针指…

String.valueOf()方法与toString()方法的区别

前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到教程。 1. 两者都是把ObJect对象转化为String 类型。 2.string.valueof()方法有作非空判断&#xff0c;在内部也是调用的toString()方法&#…