Python爬虫之正则表达式的使用

「爱情、让人受尽委屈。」 2023-10-02 23:34 121阅读 0赞

## 一、入门实践例子 ##

这里有一段字符串

Hello, my phone number is 010-26640201 and email is 1032432843@awk.com, and my website is https://cdnpiaow.com

#### 1.匹配每个单词块 ####

[a-zA-z]*

![在这里插入图片描述][6552f8001a1a4547a097790ebfbb8332.png]

#### 2.匹配每个单词块后指定字符的语句 ####

[a-zA-z]+://

![在这里插入图片描述][a43d18d1fbd9437da30512b94cd65938.png]

#### 3.匹配前缀为上述字符串，后面为任意字符串的语句 ####

说明：/s代表任意空白字符串，等价于\[\\t\\n\\r\\f\]，\[^…\]代表匹配不在\[\]中的字符，例如匹配所有非空字符\[^/s\]，\*代表匹配0或多个前面的表达式  
这里通过匹配得到网页URL

[a-zA-z]+://[^/s]*

![在这里插入图片描述][0ca9e9987944491eb2eaeea66530cff8.png]

## 二、match匹配 ##

#### 1.初识match()匹配 ####

这里首先介绍第一个常用的匹配方法 —— match，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匹配字符串。

**match 方法会尝试从字符串的起始位置匹配正则表达式，如果匹配，就返回匹配成功的结果；如果不匹配，就返回 None。**

示例：

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())

运行结果如下：

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

group（）方法会输出完整的匹配结果  
span 方法可以输出匹配的范围，结果是 (0, 25)，这就是匹配到的结果字符串在原字符串中的位置范围。

#### 2.匹配目标 ####

刚才我们用 match 方法可以得到匹配到的字符串内容，但是如果想从字符串中提取一部分内容，该怎么办呢？就像最前面的实例一样，从一段文本中提取出邮件或电话号码等内容。  
这里可以使用 () 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会依次对应每一个分组，调用 group 方法传入分组的索引即可获取提取的结果。

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())

可以看出其中数字部分的正则表达式被（）括了起来

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

#### 3.通用匹配 ####

刚才我们写的正则表达式其实比较复杂，出现空白字符我们就写 \\s 匹配，出现数字我们就用 \\d 匹配，这样的工作量非常大。有一个万能匹配可以用，那就是. \*（点星）。其中.（点）可以匹配任意字符（除换行符），\*（星）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地匹配了。  
示例：

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())

输出结果：

<_sre.SRE_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)

#### 4.贪婪与非贪婪（即优先级.\*和.\*?） ####

引例：

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

输出结果：

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

奇怪的事情发生了，我们只得到了 7 这个数字，这是怎么回事呢？  
这里就涉及一个贪婪匹配与非贪婪匹配的问题了。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，并没有指定具体多少个数字，因此，.\* 就尽可能匹配多的字符，这里就把 123456 匹配了，给 \\d + 留下一个可满足条件的数字 7，最后得到的内容就只有数字 7 了。

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 .\*?，转变为非贪婪匹配。结果如下：

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

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，那么这里 .\*? 就不再进行匹配，交给 \\d+ 去匹配后面的数字。所以这样 .\*? 匹配了尽可能少的字符，\\d+ 的结果就是 1234567 了。

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 .\*? 来代替 .\*，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，.\*? 就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 .\* 则尽量匹配多的内容，成功得到了匹配结果。

#### 5.修饰符 ####

正则表达式可以包含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 re
    
    content = '''Hello 1234567 World_This
    is a Regex Demo
    '''
    result = re.match('^He.*?(\d+).*?Demo$', content)
    print(result.group(1))

和上面的例子相仿，我们在字符串中加了换行符，正则表达式还是一样的，用来匹配其中的数字。看一下运行结果：

AttributeError Traceback (most recent call last)
    <ipython-input-18-c7d232b39645> in <module>()
          5 '''
          6 result = re.match('^He.*?(\d+).*?Demo$', content)
    ----> 7 print(result.group(1))
    
    AttributeError: 'NoneType' object has no attribute 'group'

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。在网页匹配中，较为常用的有 re.S 和 re.I（使匹配对大小写不敏感）。

#### 6.转义匹配 ####

例：匹配除换行符以外的任意字符，但是如果目标字符串里面就包含.，那该怎么办呢？

这里就需要用到转义匹配了，示例如下：

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

当遇到用于正则匹配模式的特殊字符时，在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：

<_sre.SRE_Match object; span=(0, 17), match='(百度) www.baidu.com'>

可以看到，这里成功匹配到了原字符串。

这些是写正则表达式常用的几个知识点，熟练掌握它们对后面写正则表达式匹配非常有帮助。

## 三、search ##

因为 match 方法在使用时需要考虑到开头的内容，这在做匹配时并不方便。它更适合用来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，然后返回第一个成功匹配的结果。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，如果搜索完了还没有找到，就返回 None。

例子：  
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来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></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>'''

可以观察到，ul 节点里有许多 li 节点，其中 li 节点中有的包含 a 节点，有的不包含 a 节点，a 节点还有一些相应的属性 —— 超链接和歌手名。

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

1.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），那会怎样呢？我们将正则表达式中的 active 去掉，代码改写如下：

result = re.search('<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，这里结果就变了：

任贤齐沧海一声笑

2.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？代码如下：

result = 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 节点都包含了换行符，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到第二个和第三个 li 节点，而第四个 li 节点中不包含换行符，所以成功匹配。

## 四、findall ##

前面我们介绍了 search 方法的用法，它可以返回匹配正则表达式的第一个内容；findall 方法会搜索整个字符串，然后返回匹配正则表达式的所有内容。

还是上面的 HTML 文本，如果想获取所有 a 节点的超链接、歌手和歌名，就可以将 search 方法换成 findall 方法。如果有返回结果的话，就是列表类型，所以需要遍历一下来依次获取每组内容。代码如下：

results = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S)
    print(type(results))  
    for result in results:  
        print(result)  
        print(result[0], result[1], result[2])

运行结果如下：

<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

可以看到，返回的列表中的每个元素都是元组类型，我们用对应的索引依次取出即可。  
如果只是获取第一个内容，可以用 search 方法。当需要提取多个内容时，可以用 findall 方法。

## 五、sub ##

除了使用正则表达式提取信息外，有时候还需要借助它来修改文本。比如，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，那就太烦琐了，这时可以借助 sub 方法。示例如下：

#### 1.例子： ####

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

运行结果如下：

aKyroiRixLg

#### 2.实际应用： ####

1.在上面的 HTML 文本中，如果想获取所有 li 节点的歌名，直接用正则表达式来提取可能比较烦琐。比如，可以写成这样子：

results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>', html, re.S)
    for result in results:639*
        print(result[1])

运行结果如下：

一路上有你
    沧海一声笑
    往事随风
    光辉岁月
    记事本
    但愿人长久

2.此时借助 sub 方法就比较简单了。可以先用 sub 方法将 a 节点去掉，只留下文本，然后再利用 findall 提取就好了：

html = re.sub('<a.*?>|</a>', '', html)
    print(html)
    results = re.findall('<li.*?>(.*?)</li>', html, re.S)
    for result in results:
        print(result.strip())

运行结果如下：

<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>
    一路上有你
    沧海一声笑
    往事随风
    光辉岁月
    记事本
    但愿人长久

可以看到，a 节点经过 sub 方法处理后就没有了，然后再通过 findall 方法直接提取即可。可以看到，在适当的时候，借助 sub 方法可以起到事半功倍的效果。

## 六、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。示例代码如下：

import re
    
    content1 = '2016-12-15 12:00'
    content2 = '2016-12-17 12:55'
    content3 = '2016-12-22 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)

例如，这里有 3 个日期，我们想分别将 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：

2016-12-15  2016-12-17  2016-12-22

另外，compile 还可以传入修饰符，例如 re.S 等修饰符，这样在 search、findall 等方法中就不需要额外传了。所以，compile 方法可以说是给正则表达式做了一层封装，以便我们更好地复用。

**到此为止，正则表达式的基本用法就介绍完了，后续可以通过具体的实例来体会正则表达式的用法。**

参考材料：《Python3网络爬虫开发实战》，崔庆才著。

[6552f8001a1a4547a097790ebfbb8332.png]: https://img-blog.csdnimg.cn/6552f8001a1a4547a097790ebfbb8332.png
[a43d18d1fbd9437da30512b94cd65938.png]: https://img-blog.csdnimg.cn/a43d18d1fbd9437da30512b94cd65938.png
[0ca9e9987944491eb2eaeea66530cff8.png]: https://img-blog.csdnimg.cn/0ca9e9987944491eb2eaeea66530cff8.png