【零基础学爬虫】正则表达式

2019-03-17 本文已影响6人大菜鸟_

1. 什么是正则表达式

正则表达式是对字符串串操作的⼀一种逻辑公式，就是⽤用事先定义好的⼀一些特定
字符、及这些特定字符的组合，组成⼀一个“规则字符串串”，这个“规则字符串串”⽤用
来表达对字符串串的⼀一种过滤逻辑。

非Python独有，python中对应的是re模块

介绍一个测试正则表达式的网站(该网站功能比较多)：
正则表达式的测试网站

网站截图
正则表达式功能比较强大，大部分编程语言都有提供对应的包

2. re.match

模式	描述
\w	匹配字母数字及下划线
\W	匹配非字母数字下划线
\s	匹配任意空白字符，等价于 [\t\n\r\f].
\S	匹配任意非空字符
\d	匹配任意数字，等价于 [0-9]
\D	匹配任意非数字
\A	匹配字符串开始
\Z	匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串
\z	匹配字符串结束
\G	匹配最后匹配完成的位置
\n	匹配一个换行符
\t	匹配一个制表符
^	匹配字符串的开头
$	匹配字符串的末尾。
.	匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
[...]	用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k'
[^...]	不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。
*	匹配0个或多个的表达式。
+	匹配1个或多个的表达式。
?	匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
{n}	精确匹配n个前面表达式。
{n,m}	匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
a\|b	匹配a或b
( )	匹配括号内的表达式，也表示一个组

正则表达式有一些很明显的特点：比如：大小写字母匹配的内容具有互斥的特点
另外，在正则表达式中：“{}”表示重复匹配，“()”表示分组

re.match
re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

re.match(pattern, string, flags=0)

下面届通过实例，形象的介绍正则表达式：

(1) 精准匹配

import re

content = 'Hello 123 4567 World_This is a Regex Demo'
print(len(content))
#\s:匹配任意空格字符 \d：数字   \d{4}:匹配4个数字 \w{10}:匹配10个字母数字下划线
# .匹配任意字符  *匹配0个多个前面的表达式 .*就是匹配任意非换行符的字符 $:以它之前的表达式结尾
result = re.match('^Hello\s\d\d\d\s\d{4}\s\w{10}.*Demo$', content)
print(result)
print(result.group())#匹配到的内容
print(result.span())#匹配到的字符串区间范围

(2) 泛匹配：

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())

(3) 匹配某一个目标字符串：

import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^Hello\s(\d+)\sWorld.*Demo$', content)
print(result)
print(result.group(1))#输出的是第一个()中正则表达式匹配到的字符串，即目标字符
print(result.span())

(4) 贪婪匹配

当正则表达式中有“.”时，“.”会尽可能的匹配更多的字符，示例如下：

import re

content = 'Hello 1234567 World_This is a Regex Demo'
#'+'匹配的是1个或多个字符，根据贪婪匹配规则，123456‘六个数字会被.*’匹配
result = re.match('^He.*(\d+).*Demo$', content)
print(result)
print(result.group(1))#输出的是“7”，而不是“1234567”

所以，贪婪模式可能导致最后的结果缺少一些字符

(5) 非贪婪匹配

使得‘.’尽可能匹配少的字符，即在‘.’后加上一个‘？’即可，‘？’指定为非贪婪匹配

import re

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

(6) 匹配模式

content = '''Hello 1234567 World_This#这里有个换行符，而'.*'一般是不能匹配换行符的
is a Regex Demo
'''
#指定匹配模式后‘.*’可以匹配任何字符
result = re.match('^He.*?(\d+).*?Demo$', content, re.S)
print(result.group(1))

(7) 转义

import re

content = 'price is $5.00'
result = re.match('price is \$5\.00', content)#关键词要转义
print(result)

(8) 总结

上面就是常用正则表达式的使用，总结：
1.**尽量使用泛匹配

使用括号得到匹配目标
尽量使用非贪婪模式
有换行符就用re.S
5.re.match必须从第一个字符开始匹配，如果第一个字符匹配不上，就返回None

html中的换行符很多
re.serch比re.match更好用

2. re.search

re.search是扫描整个字符串，返回第一个成功的匹配。
re.match示例

import re

content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
result = re.match('Hello.*?(\d+).*?Demo', content)
#由于match没有匹配上content中的第一个字符串，所以结果是None
print(result)

re.search示例

import re

content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
result = re.search('Hello.*?(\d+).*?Demo', content)
print(result)
print(result.group(1))

所以：尽量使用re.search

3.re.search实战演练

匹配出下面html中的：齐秦往事随风

import re
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></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
        </li>
    </ul>
</div>'''
result = re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>', html, re.S)
if result:
    print(result.group(1), result.group(2))

注意：re.search是返回的是第一个匹配到的字符串，比如下面的案例：

import re

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></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君">但愿人长久</a>
        </li>
    </ul>
</div>'''
result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html, re.S)
if result:
    print(result.group(1), result.group(2))

上面打印的是：任贤齐沧海一声笑
为了体现出re.S的作用，我们把re.S去掉试试

import re

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></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君">但愿人长久</a>
        </li>
    </ul>
</div>'''
result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html)
if result:
    print(result.group(1), result.group(2))

上面打印的是：beyond 光辉岁月

4. re.findall

搜索字符串，以列表形式返回全部能匹配的子串。
下面是具体的实例：

import re

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></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君">但愿人长久</a>
        </li>
    </ul>
</div>'''
＃使用非贪婪模式
results = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S)
print(results)
print(type(results))
for result in results:
    print(result)#list类型
    print(result[0], result[1], result[2])

执行结果：

[('/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'), ('/5.mp3', '陈慧琳', '记事本'), ('/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')　
/4.mp3 beyond 光辉岁月
　
('/5.mp3', '陈慧琳', '记事本')
/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

但是上面的“一路有你”那首歌没有检测出来，那么如何匹配出所有的歌名呢？

#前面代码不变
results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>', html, re.S)
print(results)
for result in results:
    print(result[1])

注意：
后边多一个？表示懒惰模式。
必须跟在*或者+后边用

5. re.sub

替换字符串中每一个匹配的子串后返回替换后的字符串。

import re

content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
#正则表达式匹配到的字符串使用'replace'代替，返回替换后的字符串
content = re.sub('\d+', 'replace', content)
print(content)
# 输出：Extra stings Hello replace World_This is a Regex Demo Extra stings

如果替换时需要使用到匹配到的原字符串：

import re

content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
content = re.sub('(\d+)', r'\1 8910', content)#\1:表示的就是匹配到的字符串
print(content)
#输出：Extra stings Hello 1234567 8910 World_This is a Regex Demo Extra stings

这个替换操作很有用，尤其是在提取之前，可以屏蔽部分小的差异，例如

import re

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></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君">但愿人长久</a>
        </li>
    </ul>
</div>'''
html = re.sub('<a.*?>|</a>', '', html)#'|'表示OR，匹配‘|’之前的或之后的表达式
print(html)
results = re.findall('<li.*?>(.*?)</li>', html, re.S)
print(results)
for result in results:
    print(result.strip())

匹配的结果

执行后的结果：

<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">
沧海一声笑
</li>
<li data-view="4" class="active">
往事随风
</li>
<li data-view="6">光辉岁月</li>
<li data-view="5">记事本</li>
<li data-view="5">
但愿人长久
</li>
</ul>
</div>
在替换后的基础上，匹配所有歌曲就显得很简单了，只需要在替换后的基础上添加下面代码就可以了：

results = re.findall('<li.*?>(.*?)</li>', html, re.S)
print(results)
for result in results:
    print(result.strip())#去掉多余的空格

6. re.compile

将正则字符串编译成正则表达式对象(方便复用)

content = '''Hello 1234567 World_This
is a Regex Demo'''
pattern = re.compile('Hello.*Demo', re.S)#定义正则
result = re.match(pattern, content)#使用正则，方便重复使用
print(result)

7. 实战，爬取豆瓣主页所有的书名

分析：chrome浏览器打开豆瓣首页，对源码进行分析

总体思路：先匹配“li”标签，之后定位“div”获取图书：作者，超链接、日期等数据

import requests
import re
content = requests.get('https://book.douban.com/').text
pattern = re.compile('<li.*?cover.*?href="(.*?)".*?title="(.*?)".*?more-meta.*?author">(.*?)</span>.*?year">(.*?)</span>.*?</li>', re.S)
results = re.findall(pattern, content)
for result in results:
    url, name, author, date = result
    author = re.sub('\s', '', author)#也可以使用strip()方法去除  空字符串
    date = re.sub('\s', '', date)
    print(url, name, author, date)

下图是上面代码爬取的数据：

爬虫.jpg

扫描下方二维码，及时获取更多互联网求职面经、java、python、爬虫、大数据等技术，和海量资料分享：
公众号菜鸟名企梦后台发送“csdn”即可免费领取【csdn】和【百度文库】下载服务；
公众号菜鸟名企梦后台发送“资料”:即可领取5T精品学习资料、java面试考点和java面经总结，以及几十个java、大数据项目，资料很全，你想找的几乎都有

扫码关注，及时获取更多精彩内容。（博主今日头条大数据工程师）