网页数据的解析提取（正则表达式----re库详解）

前面，我们已经可以用requests库来获取网页的源代码，得到HTML代码。但我们真正想要的数据是包含在HTML代码之中的。要怎样才能从HTML代码中获取想要的信息呢？正则表达式是一个万能的方法！！！

正则表达式

1、实例引入

2、match

3、匹配目标

4、通用匹配

5、贪婪与非贪婪

6、修饰符

7、转义匹配

8、search

9、findall

10、sub

11、compile

正则表达式

1、实例引入

打开开源中国提供的正则表达式测试工具在线正则表达式测试，输入待匹配的文本，然后选择常用的正则表达式，就可以得出相应的匹配结果了。例，这里输入如下待匹配的文本。

Hello, my phone number is 010-86432100 and email is cqc@cuiqingcai.com, and my website is https://cuiqingcai.com

这段字符串中包含一个电话号码、一个Email地址和一个URL，接下来就尝试用正则表达式将这些内容提取出来。在网页右侧选择“匹配Email地址”，就可以看到下方出现了文本中的E-mail，如图所示。

如果选择“匹配网址URL”，可以看到下方出现了文本中URL，如图所示。

[a-zA-z]+://[^\s]* 
这个正则表达式是用于匹配类似URL的字符串，如果待匹配的文本含有的话就会被提取出来。正则表达式看上去虽然是乱糟糟的一团，但里面其实是有特定语法规则的。例如，a-z 代表匹配任意的小写字母任意的小写字母，\s代表匹配任意的空白字符，*代表匹配前面的任意多个字符，那一长串正则表达式就是这么多匹配规则的组合。

写好正则表达式后，就可以拿它去一个长字符串里匹配查找了。不论这个字符串里面有什么，只要符合我们写的规则，统统可以找出来。对于网页来说，如果想找出网页源代码里有多少URL，只要用匹配 URL的正则表达式去匹配即可。上面我们介绍了几个匹配规则，下表列出了常用的一些匹配规则。

正则表达式在各种编程语言中都存在，在Python中re库提供了整个正则表达式的实现。下面就来了解它的用法吧。

2、match

该方法向它传入要匹配的字符串以及正则表达式，就可以检测这个正则表达式是否和字符串相匹配。match方法会尝试从字符串的起始位置开始匹配正则表达式，如果匹配，就返回匹配成功的结果；如果匹配不成功，就返回None。实例如下：

import re
content = 'Hello 123 4567 World_This is a Regex Demo'
print(len(content))
result = re.match('^Hello\s\d\d\d\s\d{4}\s\w{10}',content)
print(result)
print(result.group())
print(result.span())

结果如下:

41
<re.Match object; span=(0, 25), match='Hello 123 4567 World_This'>
Hello 123 4567 World_This
(0, 25)

这个实例首先声明了一个字符串，其中包含英文字母、空白字符、数字等。接着写了一个正则表达式：

^Hello\s\d\d\d\s\d{4}\s\w{10}

用它来匹配声明的那个长字符串。开头的^表示匹配字符串的开头，也就是以Hello开头；然后\s 表示匹配空白字符，用来匹配目标字符串里 Hello后面的空格； \d 表示匹配数字，3个\d用来匹配123；紧接着的1个\s表示匹配空格；目标字符串的后面还有4567，我们其实依然可以用4个\d来匹配，但是这么写比较烦琐，所以可以用\d 后面跟 {4}的形式代表匹配4 次数字；后面又是 1 个空白字符，最后\w{10}则表示匹配 10 个字母及下划线。我们注意到，这里其实并没有把目标字符串匹配完，不过这样依然可以进行匹配，只是匹配结果短一点而已。

在match方法中，第一个参数是传入了正则表达式，第二个参数是传入了要匹配的字符串。将输出结果打印出来，可以看到结果是 SRE Match 对象，证明匹配成功。该对象包含两个方法：group方法可以输出匹配到的内容, 结果是 Hello 123 4567 World This, 这恰好是正则表达式按照规则匹配的内容； span方法可以输出匹配的范围，结果是(0，25)，这是匹配到的结果字符串在原字符串中的位置范围。

通过上面的例子，我们基本了解了如何在Python中使用正则表达式来匹配一段文字。

3、匹配目标

用match 方法可以实现匹配，如果想从字符串中提取一部分内容，该怎么办呢? 就像上一节的实例一样，从一段文本中提取出E-mail地址或电话号码。可以使用括号()将想提取的子字符串括起来。()实际上标记了一个子表达式的开始和结束位置，被标记的每个子表达式依次对应每个分组，调用 group方法传入分组的索引即可获取提取结果。实例如下：

import re
content = 'Hello 1234567 World This is a Regex Demo'
result = re. match('^Hello\s(\d+)\sWorld', content)
print(result)
print(result.group())
print(result.group(1))
print(result.span())

通过这个实例，我们把字符串中的 1234567提取出来了，可以看到其中数字部分的正则表达式被()括了起来。然后调用group(1) 获取了匹配结果。运行结果如下：

<re.Match object; span=(0, 19), match='Hello 1234567 World'>
Hello 1234567 World
1234567
(0, 19)

可以看到，我们成功匹配到了1234567。这里用group(1) ，它与group()有所不同，后者会输出完整的匹配结果，前者会输出第一个被()包围的匹配结果。假如正则表达式后面还有用（）包围的内容，那么可以依次用group(2)、group(3)等获取。

4、通用匹配

刚才我们写的正则表达式其实比较复杂，只要出现空白字符就需要写\s 匹配，出现数字就需要写\d 匹配，这样的工作量非常大。其实完全没必要这么做，因为还有一个万能匹配可以用，就是.*。其中.可以匹配任意字符(除换行符)，*代表匹配前面的字符无限次，所以它们组合在一起就可以匹配任意字符了。有了它，我们就不用挨个字符进行匹配了。

接着上面的例子，我们利用.*改写一下正则表达式：

import re
content = 'Hello 123 4567 World This is a Regex Demo'
result = re. match('^Hello.*Demo$', content)
print(result)
print(result. group())
print(result. span())

这里我们直接省略中间部分，全部用.*来代替，并在最后加一个结尾字符串。运行结果如下：

<re.Match object; span=(0, 41), match='Hello 123 4567 World This is a Regex Demo'>
Hello 123 4567 World This is a Regex Demo
(0, 41)

可以看到，group 方法输出了匹配的全部字符串，也就是说我们写的正则表达式匹配到了目标字符串的全部内容； span方法输出(0，41)，这是整个字符串的长度。因此，使用.*能够简化正则表达式的书写。

5、贪婪与非贪婪

使用通用匹配.*匹配到的内容有时候并不是我们想要的结果。看下面的例子：

import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re. match('^He.*(\d+).*Demo$', content)
print(result)
print(result. group(1))

这里我们依然想获取目标字符串中间的数字，所以正则表达式中间写的依然是(\d+)。而数字两侧由于内容比较杂乱, 所以想省略来写, 于是都写成 .*。最后, 组成^He.*(\d+).*Demo$, 看样子没什么问题。可我们看下运行结果：

<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
7

这里涉及贪婪匹配和非贪婪匹配的问题。在贪婪匹配下，.*会匹配尽可能多的字符。正则表达式中 .*后面是\d+，也就是至少一个数字，而且没有指定具体几个数字，因此，.*会匹配尽可能多的字符，这里就把123456都匹配了，只给\d+留下一个可满足条件的数字7，因此最后得到的内容就只有数字7。但这很明显会给我们带来很大的不便。有时候，匹配结果会莫名其妙少一部分内容。其实，这里只需要使用非贪婪匹配就好了。非贪婪匹配的写法是 .*?，比通用匹配多了一个 ?，那么它可以起到怎样的效果? 我们再用实例看一下：

import re
content = 'Hello 1234567 World This is a Regex Demo'
result = re. match('^He.*?(\d+).*Demo$', content)
print(result)
print(result. group(1))

这里我们只是将第一个.*改成了 .*?，贪婪匹配就转变为了非贪婪匹配。结果如下：

<re.Match object; span=(0, 40), match='Hello 1234567 World This is a Regex Demo'>
1234567

此时便可以成功获取 1234567了。原因可想而知，贪婪匹配是匹配尽可能多的字符，非贪婪匹配就是匹配尽可能少的字符。当.*?匹配到Hello后面的空白字符时，再往后的字符就是数字了，而\d+恰好可以匹配，于是这里 .*?就不再进行匹配了，而是交给\d+去匹配。最后.*?匹配了尽可能少的字符, \d+ 的结果就是 1234567。所以说，在做匹配的时候，字符串中间尽量使用非贪婪匹配，也就是用.*?代替.*，以免出现匹配结果缺失的情况。但这里需要注意，如果匹配的结果在字符串结尾，.*?有可能匹配不到任何内容了，因为它会匹配尽可能少的字符。例如：

import re
content = 'http://weibo.com/comment/kEraCN'
result1 = re.match('http.*?comment/(.*?)',content)
result2 = re.match('http.*?comment/(.*)',content)
print('result1',result1.group(1))
print('result2',result2.group(1))

运行结果如下：

result1 
result2 kEraCN

可以观察到，.*?没有匹配到任何结果，而.*则是尽量多匹配内容，成功得到了匹配结果。

6、修饰符

在正则表达式中，可以用一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。我们用实例来看一下：

import recontent = '''Hello 1234567 World This
is a  Regex Demo
'''
result = re.match('^He.*?(\d+).*?Demo$', content)
print(result.group(1))

运行结果如下：

Traceback (most recent call last):File "C:\Users\Lenovo\Desktop\爬虫学习\Python知识\urllib库的使用\requests_01.py", line 7, in <module>print(result.group(1))^^^^^^^^^^^^
AttributeError: 'NoneType' object has no attribute 'group'

发现运行直接报错，也就是说正则表达式没有匹配到这个字符串，返回结果为 None，而我们又调用了 group方法, 导致AttributeError。

那么，为什么加了一个换行符，就匹配不到了呢? 这是因为匹配的内容是除换行符之外的任意字符，当遇到换行符时，.*?就不能匹配了，所以导致匹配失败。这里只需加一个修饰符re. S，即可修正这个错误：

result = re. match('^He.*?(\d+).*? Demo$', content, re.S)

这个修饰符的作用是使匹配内容包括换行符在内的所有字符。此时运行结果如下：

1234567

这个re. S 在网页匹配中经常用到。因为 HTML 节点经常会有换行，加上它，就可以匹配节点与节点之间的换行了。另外，还有一些修饰符，在必要的情况下也可以使用，如表所示。

修饰符	描述
re. I	使匹配对大小写不敏感
re. L	实现本地化识别(locale-aware) 匹配
re. M	多行匹配，影响^和$
re. S	使匹配内容包括换行符在内的所有字符
re. U	根据Unicode字符集解析字符。这个标志会影响\w、\W、\b和\B
re. X	该标志能够给予你更灵活的格式，以便将正则表达式书写得更易于理解

在网页匹配中, 较为常用的有 re. S和 re. I。

7、转义匹配

我们知道正则表达式定义了许多匹配模式，如.用于匹配除换行符以外的任意字符。但如果目标字符串里面就包含 .这个字符，那该怎么办呢?这时需要用到转义匹配，实例如下：

import re
content = '(百度) www.baidu.com'
result = re.match('\(百度\) www\.baidu\.com', content)
print(result)

当在目标字符串中遇到用作正则匹配模式的特殊字符时，在此字符前面加反斜线\转义一下即可。例如\.就可以用来匹配.，运行结果如下：

<re.Match object; span=(0, 18), match='(百度) www.baidu.com'>

可以看到，这里成功匹配到了原字符串。

以上这些是写正则表达式时常用的几个知识点，熟练掌握它们对后面非常有帮助。

8、search

前文提到过，match 方法是从字符串的开头开始匹配的，意味着一旦开头不匹配，整个匹配就失败了。我们看下面的例子：

import re
content = 'Extra stings Hello 1234567 World This is a Regex Demo Extra       stings'
result = re. match('Hello.*?(\d+).*? Demo', content)
print(result)

这里的字符串以Extra 开头，正则表达式却以Hello开头，其实整个正则表达式是字符串的一部分，但这样匹配是失败的。运行结果如下：

None

因为match 方法在使用时需要考虑目标字符串开头的内容，因此在做匹配时并不方便。它更适合检测某个字符串是否符合某个正则表达式的规则。这里就有另外一个方法search，它在匹配时会扫描整个字符串，然后返回第一个匹配成功的结果。也就是说，正则表达式可以是字符串的一部分。在匹配时，search方法会依次以每个字符作为开头扫描字符串，直到找到第一个符合规则的字符串，然后返回匹配内容；如果扫描完还没有找到符合规则的字符串, 就返回None。我们把上面代码中的 match方法修改成 search，再看下运行结果：

<re.Match object; span=(13, 53), match='Hello 1234567 World This is a Regex Demo'>
1234567

这时就得到了匹配结果。因此，为了匹配方便，尽量使用search 方法。下面再用几个实例来看看 search 方法的用法。首先，这里有一段待匹配的 HTML 文本，接下来写几个正则表达式实例实现相应信息的提取：

html= '''<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="beyond">光辉岁月
</a></1i>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本
</a></1i>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</li>
</ul>
</div>'''

可以观察到，ul 节点里有许多li 节点，这些 li 节点中有的包含 a 节点，有的不包含。a 节点还有一些相应的属性————超链接和歌手名。首先，我们尝试提取 class 为 active的 li 节点内部的超链接包含的歌手名和歌名，也就是说需要提取第三个 li节点下 a 节点的 singer属性和文本。此时正则表达式可以以 li 开头，然后寻找一个标志符active，中间的部分可以用.*?来匹配。接下来，因为要提取 singer这个属性值，所以还需要写入singer="(.*?)"，这里把需要提取的部分用小括号括了起来，以便用group方法提取出来，小括号的两侧边界是双引号。然后还需要匹配 a 节点的文本，此文本的左边界是>，右边界是 </a>。然后目标内容依然用(.*?)来匹配，所以最后的正则表达式就变成了：

<li.* ?active.* ?singer="(.*?)">(.*?)</a>

再调用search方法，它会搜索整个HTML 文本，找到符合上述正则表达式的第一个内容并返回。另外，由于代码中有换行，所以search 方法的第三个参数需要传入 re. S。于是整个匹配代码如下：

result = re. search('<li.* ?active.* ?singer="(.*?)">(.*?)</a>', html,re.S)
if result:print(result.group(1),result.group(2))

由于需要获取的歌手和歌名都已经用小括号包围，所以可以用group方法获取。.运行结果如下：

齐秦往事随风

可以看到，这正是class 为 active的 li节点内部的超链接包含的歌手名和歌名。如果正则表达式不加 active(也就是匹配不带 class 为 active的节点内容)，会怎样呢? 我们将正则表达式中的 active去掉，代码改写如下：

result = re. search('re. search('<li.* ?singer="(.*?)">(.*?)</a>',html,re.S)
if result:print(result. group(1), result. group(2))

由于 search方法会返回第一个符合条件的匹配目标，于是这里结果就变了：

任贤齐沧海一声笑

把 active标签去掉后，从字符串开头开始搜索，此时符合条件的节点就变成了第二个 li 节点，后面的就不再匹配，所以运行结果就变成第二个 li节点中的内容。注意，在上面的两次匹配中，search 方法的第三个参数都加了 re. S，这使得.*?可以匹配换行，所以含有换行的 li 节点被匹配到了。如果我们将其去掉，结果会是什么? 去掉re. S 的代码如下：

result = re. search('re. search('<li.* ?singer="(.*?)">(.*?)</a>',html)
if result:print(result. group(1), result. group(2))

运行结果如下：

beyond 光辉岁月

可以看到，结果变成了第四个 li节点的内容。这是因为第二个和第三个li节点都包含换行符，去掉 re. S之后，.*?已经不能匹配换行符，所以正则表达式不会匹配这两个 li 节点，而第四个 li节点中不包含换行符，可以成功匹配。由于绝大部分 HTML 文本包含换行符，所以需要尽量加上 re. S修饰符，以免出现匹配不到的问题。

9、findall

介绍完了 search方法的用法，它可以返回与正则表达式相匹配的第一个字符串。如果想要获取与正则表达式相匹配的所有字符串，该如何处理呢? 这就要借助 findall方法了。还是用上面的HTML 文本，如果想获取其中所有a节点的超链接、歌手和歌名，可以将search方法换成 findall 方法。其返回结果是列表类型，需要通过遍历来依次获取每组内容。代码如下：

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])

运行结果如下：

[('/2.mp3', '任贤齐', '沧海一声笑'), ('/3.mp3', '齐秦', '往事随风'), ('/4.mp3', 'beyond', '光辉岁月\n'), ('/5.mp3', '陈慧琳', '记事本\n'), ('/6.mp3', '邓丽君', '但愿人长久')]
<class 'list'>
('/2.mp3', '任贤齐', '沧海一声笑')
/2.mp3 任贤齐 沧海一声笑
('/3.mp3', '齐秦', '往事随风')
/3.mp3 齐秦 往事随风
('/4.mp3', 'beyond', '光辉岁月\n')
/4.mp3 beyond 光辉岁月('/5.mp3', '陈慧琳', '记事本\n')
/5.mp3 陈慧琳 记事本('/6.mp3', '邓丽君', '但愿人长久')
/6.mp3 邓丽君 但愿人长久

可以看到，返回的列表中的每个元素都是元组类型。因此，如果只想获取匹配到的第一个字符串，可以用search方法；如果想要提取多个内容，可以用findall方法。

10、sub

除了使用正则表达式提取信息，有时候还需要借助它来修改文本。例如，想要把一串文本中的所有数字都去掉，如果只用字符串的 replace 方法，未免太烦琐了，这时可以借助sub方法。实例如下：

import re
content = '54aK54yr5oiR54ix5L2g'
content = re. sub('\d+', '' , content)
print(content)

运行结果如下：

aKyroiRixLg

这里往 sub方法的第一个参数中传入\d+以匹配所有的数字，往第二个参数中传入把数字替换成的字符串(如果去掉该参数，可以赋值为空)，第三个参数是原字符串。可以通过sub方法去除掉不需要的节点，然后通过findall方法直接提取即可。

11、compile

前面所讲的方法都是用来处理字符串的方法，最后再介绍一下 compile 方法，这个方法可以将正则字符串编译成正则表达式对象，以便在后面的匹配中复用。实例代码如下：

import re
content1 = '2019-12-15 12:00'
content2 = '2019-12-17 12:55'
content3 = '2019-12-22 13:21'
pattern = re. compile('\d{2}:\d{2}')
result1 = re. sub(pattern, '', content1)
result2 = re. sub(pattern, '', content2)
result3 = re. sub(pattern, '', content3)
print(result1, result2, result3)

这个实例里有3个日期，我们想分别将这3个日期中的时间去掉，这时可以借助sub方法。该方法的第一个参数是正则表达式，但是这里没有必要重复写 3 个同样的正则表达式，此时就可以借助compile 方法将正则表达式编译成一个正则表达式对象，以便复用。运行结果如下：