• 35648

    文章

  • 23

    评论

  • 20

    友链

  • 最近新加了很多技术文章,大家多来逛逛吧~~~~
  • 喜欢这个网站的朋友可以加一下QQ群,我们一起交流技术。

Python 爬虫从入门到进阶之路(八) 原

欢迎来到阿八个人博客网站。本 阿八个人博客 网站提供最新的站长新闻,各种互联网资讯。 喜欢本站的朋友可以收藏本站,或者加QQ:我们大家一起来交流技术! URL链接:https://www.abboke.com/jsh/2019/0701/4183.html

>>>

  在之前的文章中我们介绍了一下 requests 模块,今天我们再来看一下 Python 爬虫中的正则表达的使用和 re 模块。
  
  实际上爬虫一共就四个主要步骤:
  
  明确目标 (要知道你准备在哪个范围或者网站去搜索)
  
  爬 (将所有的网站的内容全部爬下来)
  
  取 (去掉对我们没用处的数据)
  
  处理数据(按照我们想要的方式存储和使用)
  
  我们在之前写的爬虫程序中,都只是获取到了页面的全部内容,也就是只进行到了第2步,但是大部分的东西是我们不关心的,因此我们需要将之按我们的需要过滤和匹配出来。这时候我们就需要用到了正则表达式。
  
  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,如下:
  
  r'python\t\.\tpython'
  
  re 模块的一般使用步骤如下:
  
  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
  
  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。
  
  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:
  
  1 import re
  
  2
  
  3 # 将正则表达式编译成 Pattern 对象
  
  4 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。
  
  复制代码
  
  1 import re
  
  2
  
  3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
  
  4
  
  5 str = 'abc123def456'
  
  6
  
  7 p = pattern.match(str)  # 查找头部,没有匹配
  
  8 print(p)  # None
  
  9
  
  10 p = pattern.match(str, 2, 9)  # 从'c'的位置开始匹配,没有匹配
  
  11 print(p)  # None
  
  12
  
  13 p = pattern.match(str, 3, 9)  # 从'4'的位置开始匹配,正好匹配, 返回一个 Match 对象
  
  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)
  
  复制代码
  
  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))。
  
  我们再来看一下具体用法:
  
  复制代码
  
  1 import re
  
  2
  
  3 pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # 用于匹配至少一个字母, re.I 表示忽略大小写
  
  4
  
  5 str = 'Hello world hello Python'
  
  6
  
  7 p = pattern.match(str)  # 查找头部,匹配成功,返回一个 Match 对象
  
  8 print(p)  # <re.Match object; span=(0, 11), match='Hello world'>
  
  9
  
  10 p = p.group(0)  # 返回匹配成功的整个子串
  
  11 print(p)  # Hello world
  
  12
  
  13 p = p.group(1)  # 返回第一个分组匹配成功的子串
  
  14 print(p)  # Hello
  
  15 p = p.group(2)  # 返回第二个分组匹配成功的子串
  
  16 print(p)  # world
  
  17 p = p.group(3)  # 不存在第三个分组
  
  18 print(p)  # IndexError: no such group
  
  19
  
  20 p = p.span(0)  # 返回匹配成功的整个子串的索引
  
  21 print(p)  # (0, 11)
  
  22 p = p.span(1)  # 返回第一个分组匹配成功的子串的索引
  
  23 print(p)  # (0, 5)
  
  24 p = p.span(2)  # 返回第二个分组匹配成功的子串的索引
  
  25 print(p)  # (6, 11)
  
  26 p = p.span(3)  # 不存在第三个分组
  
  27 print(p)  # IndexError: no such group
  
  28
  
  29 p = p.start(www.xingtuyuLept.com)  # 返回匹配成功的整个子串的开始下标
  
  30 print(p)  # 0
  
  31 p = p.end(0)  # 返回匹配成功的整个子串的结束下标
  
  32 print(p)  # 11
  
  33 p = p.start(1)  # 返回第一个分组匹配成功的子串的开始下标
  
  34 print(p)  # 0
  
  35 p = p.end(1)  # 返回第一个分组匹配成功的子串的结束下标
  
  36 print(p)  # 5
  
  37 p = p.start(2)  # 返回第二个分组匹配成功的子串的开始下标
  
  38 print(p)  # 6
  
  39 p = p.end(2)  # 返回第二个分组匹配成功的子串的结束下标
  
  40 print(p)  # 11
  
  41 p = p.start(www.chaoyuepint.com)  # 返回第三个分组匹配成功的子串的开始下标
  
  42 print(p)  # IndexError: no such group
  
  43 p = p.end(3)  # 返回第三个分组匹配成功的子串的结束下标
  
  44 print(p)  # IndexError: no such group
  
  45
  
  46 p = p.groups(www.changjianggw.com)  # 等价于 (m.group(1), m.group(2), ...)
  
  47 print(p)  # ('Hello', 'world')
  
  复制代码
  
  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[www.seocelve.com , 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。
  
  复制代码
  
  1 import re
  
  2
  
  3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
  
  4
  
  5 str = 'abc123def456'
  
  6
  
  7 p = pattern.search(str)  # 查找头部,匹配成功,返回一个 Match 对象
  
  8 print(p)  # <re.Match object; span=www.htzxyL.com (3, 6), match='123'>
  
  9
  
  10 p = pattern.search(str, 1, 3)  # 指定区间, 匹配失败,返回一个 None
  
  11 print(p)  # None
  
  12
  
  13 p = pattern.search(str, 8, 10)  # 指定区间, 匹配成功,返回一个 Match 对象
  
  14 print(p)  # <re.Match object; span=(9, 10), match='4'>
  
  复制代码
  
  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。
  
  复制代码
  
  1 import re
  
  2
  
  3 pattern = re.compile(r'www.huichengtxgw.com \d+')  # 用于匹配至少一个数字
  
  4
  
  5 str = 'abc123def456'
  
  6
  
  7 p = pattern.findall(str)  # 返回一个列表对象
  
  8 print(p)  # ['123', '456']
  
  9
  
  10 p = pattern.findall(str, 1, 3)  # 返回一个列表对象
  
  11 print(p)  # []
  
  复制代码
  
  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。
  
  复制代码
  
  1 import re
  
  2
  
  3 pattern = re.compile(r'\www.xcdeyiju.com  d+')  # 用于匹配至少一个数字
  
  4
  
  5 str = 'abc123def456'
  
  6
  
  7 p = pattern.finditer(str)  # 返回一个 Match 对象
  
  8 print(p)  # <callable_iterator object at 0x1054eb400>
  
  9
  
  10 p = pattern.finditer(str, 1, 3)  # 返回一个 Match 对象
  
  11 print(p)  # <callable_iterator object at 0x10552e358>
  
  复制代码
  
  在实际中我们很少应用 finditer 方法,因为我们还需要对获取的 Match 对象进行进一步处理,如循环,group() 等来获取直观数据。
  
  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。
  
  复制代码
  
  1 import re
  
  2
  
  3 pattern = re.compile(r'[\s\,\;]+') # 匹配至少一个空格和 ;
  
  4
  
  5 str = 'a,b;; c   d'
  
  6
  
  7 p = pattern.split(str)
  
  8 print(p)  # ['a', 'b', 'c', 'd']
  
  复制代码
  
  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。
  
  复制代码
  
  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' 替换 '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' 替换 'Hello 123', 1 表示最多替换一次
  
  11 print(p)  # hello World, hello 456
  
  复制代码

相关文章

暂住......别动,不想说点什么吗?
  • 全部评论(0
    还没有评论,快来抢沙发吧!