2. 程式人生 > >網路爬蟲（六）：Python中的正則表示式教程

網路爬蟲（六）：Python中的正則表示式教程

阿新 • • 發佈：2019-02-15
接下來準備用糗百做一個爬蟲的小例子。

但是在這之前，先詳細的整理一下Python中的正則表示式的相關內容。

正則表示式在Python爬蟲中的作用就像是老師點名時用的花名冊一樣，是必不可少的神兵利器。

整理時沒有注意，實在抱歉。

一、 正則表示式基礎

1.1.概念介紹

正則表示式是用於處理字串的強大工具，它並不是Python的一部分。

其他程式語言中也有正則表示式的概念，區別只在於不同的程式語言實現支援的語法數量不同。

它擁有自己獨特的語法以及一個獨立的處理引擎，在提供了正則表示式的語言裡，正則表示式的語法都是一樣的。

下圖展示了使用正則表示式進行匹配的流程：

正則表示式的大致匹配過程是：

1.依次拿出表示式和文字中的字元比較，

2.如果每一個字元都能匹配，則匹配成功；一旦有匹配不成功的字元則匹配失敗。

3.如果表示式中有量詞或邊界，這個過程會稍微有一些不同。

下圖列出了Python支援的正則表示式元字元和語法：   


1.2. 數量詞的貪婪模式與非貪婪模式

正則表示式通常用於在文字中查詢匹配的字串。

貪婪模式，總是嘗試匹配儘可能多的字元；

非貪婪模式則相反，總是嘗試匹配儘可能少的字元。

Python裡數量詞預設是貪婪的。

例如：正則表示式"ab*"如果用於查詢"abbbc"，將找到"abbb"。

而如果使用非貪婪的數量詞"ab*?"，將找到"a"。

1.3. 反斜槓的問題

與大多數程式語言相同，正則表示式裡使用"\"作為轉義字元，這就可能造成反斜槓困擾。

假如你需要匹配文字中的字元"\"，那麼使用程式語言表示的正則表示式裡將需要4個反斜槓"\\\\"：

第一個和第三個用於在程式語言裡將第二個和第四個轉義成反斜槓，

轉換成兩個反斜槓\\後再在正則表示式裡轉義成一個反斜槓用來匹配反斜槓\。

這樣顯然是非常麻煩的。

Python裡的原生字串很好地解決了這個問題，這個例子中的正則表示式可以使用r"\\"表示。

同樣，匹配一個數字的"\\d"可以寫成r"\d"。

有了原生字串，媽媽再也不用擔心我的反斜槓問題~

二、 介紹re模組

2.1.  Compile

Python通過re模組提供對正則表示式的支援。

使用re的一般步驟是：

Step1：先將正則表示式的字串形式編譯為Pattern例項。

Step2：然後使用Pattern例項處理文字並獲得匹配結果（一個Match例項）。

Step3：最後使用Match例項獲得資訊，進行其他的操作。

我們新建一個re01.py來試驗一下re的應用：

# -*- coding: utf-8 -*-  
#一個簡單的re例項，匹配字串中的hello字串  
  
#匯入re模組  
import re  
   
# 將正則表示式編譯成Pattern物件，注意hello前面的r的意思是“原生字串”  
pattern = re.compile(r'hello')  
   
# 使用Pattern匹配文字，獲得匹配結果，無法匹配時將返回None  
match1 = pattern.match('hello world!')  
match2 = pattern.match('helloo world!')  
match3 = pattern.match('helllo world!')  
  
#如果match1匹配成功  
if match1:  
    # 使用Match獲得分組資訊  
    print match1.group()  
else:  
    print 'match1匹配失敗！'  
  
  
#如果match2匹配成功  
if match2:  
    # 使用Match獲得分組資訊  
    print match2.group()  
else:  
    print 'match2匹配失敗！'  
  
  
#如果match3匹配成功  
if match3:  
    # 使用Match獲得分組資訊  
    print match3.group()  
else:  
    print 'match3匹配失敗！'


可以看到控制檯輸出了匹配的三個結果：

下面來具體看看程式碼中的關鍵方法。

★ re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法，用於將字串形式的正則表示式編譯為Pattern物件。

第二個引數flag是匹配模式，取值可以使用按位或運算子'|'表示同時生效，比如re.I | re.M。

另外，你也可以在regex字串中指定模式，

比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。

可選值有：

  •     re.I(全拼：IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
  •    re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
  •     re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行為
  •     re.L(全拼：LOCALE): 使預定字元類 \w \W \b \B \s \S 取決於當前區域設定
  •     re.U(全拼：UNICODE): 使預定字元類 \w \W \b \B \s \S \d \D 取決於unicode定義的字元屬性
  •     re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表示式可以是多行，忽略空白字元，並可以加入註釋。

以下兩個正則表示式是等價的：

# -*- coding: utf-8 -*-  
#兩個等價的re匹配,匹配一個小數  
import re  
  
a = re.compile(r"""\d +  # the integral part 
                   \.    # the decimal point 
                   \d *  # some fractional digits""", re.X)  
  
b = re.compile(r"\d+\.\d*")  
  
match11 = a.match('3.1415')  
match12 = a.match('33')  
match21 = b.match('3.1415')  
match22 = b.match('33')   
  
if match11:  
    # 使用Match獲得分組資訊  
    print match11.group()  
else:  
    print u'match11不是小數'  
      
if match12:  
    # 使用Match獲得分組資訊  
    print match12.group()  
else:  
    print u'match12不是小數'  
      
if match21:  
    # 使用Match獲得分組資訊  
    print match21.group()  
else:  
    print u'match21不是小數'  
  
if match22:  
    # 使用Match獲得分組資訊  
    print match22.group()  
else:  
    print u'match22不是小數'


re提供了眾多模組方法用於完成正則表示式的功能。

這些方法可以使用Pattern例項的相應方法替代，唯一的好處是少寫一行re.compile()程式碼，

但同時也無法複用編譯後的Pattern物件。

這些方法將在Pattern類的例項方法部分一起介紹。

如一開始的hello例項可以簡寫為：

# -*- coding: utf-8 -*-  
#一個簡單的re例項，匹配字串中的hello字串  
import re  
  
m = re.match(r'hello', 'hello world!')  
print m.group()


re模組還提供了一個方法escape(string)，用於將string中的正則表示式元字元如*/+/?等之前加上轉義符再返回

2.2. Match

Match物件是一次匹配的結果，包含了很多關於此次匹配的資訊，可以使用Match提供的可讀屬性或方法來獲取這些資訊。

屬性：

  1. string: 匹配時使用的文字。
  2. re: 匹配時使用的Pattern物件。
  3. pos: 文字中正則表示式開始搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
  4. endpos: 文字中正則表示式結束搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
  5. lastindex: 最後一個被捕獲的分組在文字中的索引。如果沒有被捕獲的分組，將為None。
  6. lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。

方法：

  1. group([group1, …])：
    獲得一個或多個分組截獲的字串；指定多個引數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫引數時，返回group(0)；沒有截獲字串的組返回None；截獲了多次的組返回最後一次截獲的子串。
  2. groups([default])： 
    以元組形式返回全部分組截獲的字串。相當於呼叫group(1,2,…last)。default表示沒有截獲字串的組以這個值替代，預設為None。
  3. groupdict([default])：
    返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
  4. start([group])： 
    返回指定的組截獲的子串在string中的起始索引（子串第一個字元的索引）。group預設值為0。
  5. end([group])：
    返回指定的組截獲的子串在string中的結束索引（子串最後一個字元的索引+1）。group預設值為0。
  6. span([group])：
    返回(start(group), end(group))。
  7. expand(template)： 
    將匹配到的分組代入template中然後返回。template中可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認為是第10個分組，如果你想表達\1之後是字元'0'，只能使用\g<1>0。

下面來用一個py例項輸出所有的內容加深理解：

# -*- coding: utf-8 -*-  
#一個簡單的match例項  
  
import re  
# 匹配如下內容：單詞+空格+單詞+任意字元  
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')  
  
print "m.string:", m.string  
print "m.re:", m.re  
print "m.pos:", m.pos  
print "m.endpos:", m.endpos  
print "m.lastindex:", m.lastindex  
print "m.lastgroup:", m.lastgroup  
  
print "m.group():", m.group()  
print "m.group(1,2):", m.group(1, 2)  
print "m.groups():", m.groups()  
print "m.groupdict():", m.groupdict()  
print "m.start(2):", m.start(2)  
print "m.end(2):", m.end(2)  
print "m.span(2):", m.span(2)  
print r"m.expand(r'\g<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')  
   
### output ###  
# m.string: hello world!  
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>  
# m.pos: 0  
# m.endpos: 12  
# m.lastindex: 3  
# m.lastgroup: sign  
# m.group(1,2): ('hello', 'world')  
# m.groups(): ('hello', 'world', '!')  
# m.groupdict(): {'sign': '!'}  
# m.start(2): 6  
# m.end(2): 11  
# m.span(2): (6, 11)  
# m.expand(r'\2 \1\3'): world hello!

2.3. Pattern

Pattern物件是一個編譯好的正則表示式，通過Pattern提供的一系列方法可以對文字進行匹配查詢。

Pattern不能直接例項化，必須使用re.compile()進行構造，也就是re.compile()返回的物件。

Pattern提供了幾個可讀屬性用於獲取表示式的相關資訊：

  1. pattern: 編譯時用的表示式字串。
  2. flags: 編譯時用的匹配模式。數字形式。
  3. groups: 表示式中分組的數量。
  4. groupindex: 以表示式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。

可以用下面這個例子檢視pattern的屬性：

# -*- coding: utf-8 -*-  
#一個簡單的pattern例項  
  
import re  
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)  
   
print "p.pattern:", p.pattern  
print "p.flags:", p.flags  
print "p.groups:", p.groups  
print "p.groupindex:", p.groupindex  
   
### output ###  
# p.pattern: (\w+) (\w+)(?P<sign>.*)  
# p.flags: 16  
# p.groups: 3  
# p.groupindex: {'sign': 3}


下面重點介紹一下pattern的例項方法及其使用。

1.match

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])：

這個方法將從string的pos下標處起嘗試匹配pattern；

如果pattern結束時仍可匹配，則返回一個Match物件；

如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。

pos和endpos的預設值分別為0和len(string)；

re.match()無法指定這兩個引數，引數flags用於編譯pattern時指定匹配模式。

注意：這個方法並不是完全匹配。

當pattern結束時若string還有剩餘字元，仍然視為成功。

想要完全匹配，可以在表示式末尾加上邊界匹配符'$'。

下面來看一個Match的簡單案例：

# encoding: UTF-8  
import re  
   
# 將正則表示式編譯成Pattern物件  
pattern = re.compile(r'hello')  
   
# 使用Pattern匹配文字，獲得匹配結果，無法匹配時將返回None  
match = pattern.match('hello world!')  
   
if match:  
    # 使用Match獲得分組資訊  
    print match.group()  
   
### 輸出 ###  
# hello

2.search

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 這個方法用於查詢字串中可以匹配成功的子串。

從string的pos下標處起嘗試匹配pattern，

如果pattern結束時仍可匹配，則返回一個Match物件；

若無法匹配，則將pos加1後重新嘗試匹配；

直到pos=endpos時仍無法匹配則返回None。

pos和endpos的預設值分別為0和len(string))；

re.search()無法指定這兩個引數，引數flags用於編譯pattern時指定匹配模式。

那麼它和match有什麼區別呢？

match()函式只檢測re是不是在string的開始位置匹配，

search()會掃描整個string查詢匹配，

match（）只有在0位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match()就返回none
例如：
print(re.match(‘super’, ‘superstition’).span())

會返回(0, 5)

print(re.match(‘super’, ‘insuperable’))

則返回None

search()會掃描整個字串並返回第一個成功的匹配
例如：

print(re.search(‘super’, ‘superstition’).span())

返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())

返回(2, 7)

看一個search的例項：

# -*- coding: utf-8 -*-  
#一個簡單的search例項  
  
import re  
   
# 將正則表示式編譯成Pattern物件  
pattern = re.compile(r'world')  
   
# 使用search()查詢匹配的子串，不存在能匹配的子串時將返回None  
# 這個例子中使用match()無法成功匹配  
match = pattern.search('hello world!')  
   
if match:  
    # 使用Match獲得分組資訊  
    print match.group()  
   
### 輸出 ###  
# world

3.split

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):按照能夠匹配的子串將string分割後返回列表。

maxsplit用於指定最大分割次數，不指定將全部分割。

import re  
   
p = re.compile(r'\d+')  
print p.split('one1two2three3four4')  
   
### output ###  
# ['one', 'two', 'three', 'four', '']


4.findall

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):搜尋string，以列表形式返回全部能匹配的子串。

import re  
   
p = re.compile(r'\d+')  
print p.findall('one1two2three3four4')  
   
### output ###  
# ['1', '2', '3', '4']


5.finditer

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):搜尋string，返回一個順序訪問每一個匹配結果（Match物件）的迭代器。

import re  
   
p = re.compile(r'\d+')  
for m in p.finditer('one1two2three3four4'):  
    print m.group(),  
   
### output ###  
# 1 2 3 4


6.sub

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):使用repl替換string中每一個匹配的子串後返回替換後的字串。 
當repl是一個字串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。 
當repl是一個方法時，這個方法應當只接受一個引數（Match物件），並返回一個字串用於替換（返回的字串中不能再引用分組）。 
count用於指定最多替換次數，不指定時全部替換。

import re  
   
p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  
   
print p.sub(r'\2 \1', s)  
   
def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  
   
print p.sub(func, s)  
   
### output ###  
# say i, world hello!  
# I Say, Hello World!


7.subn

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):返回 (sub(repl, string[, count]), 替換次數)。

import re  
   
p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  
   
print p.subn(r'\2 \1', s)  
   
def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  
   
print p.subn(func, s)  
   
### output ###  
# ('say i, world hello!', 2)  
# ('I Say, Hello World!', 2)


至此，Python的正則表示式基本介紹就算是完成了^_^

原文連結：http://blog.csdn.net/pleasecallmewhy/article/details/8929576

相關推薦

網路爬蟲（六）：Python中的正則表示式教程

接下來準備用糗百做一個爬蟲的小例子。 但是在這之前，先詳細的整理一下Python中的正則表示式的相關內容。 正則表示式在Python爬蟲中的作用就像是老師點名時用的花名冊一樣，是必不可少的神兵利器。 整理時沒有注意，實在抱歉。 一、 正則表示式基礎 1.1.概

python學習（六）：python中賦值、淺拷貝、深拷貝的區別

存在賦值、淺拷貝、深拷貝問題的資料型別是對組合物件來說，所謂的組合物件就是包含了其它物件的物件，如列表，類例項。 其他的單個物件則不存在這個問題。 可變物件： list, dict. 不可變物件有: int, string, float, tuple.  

資料爬蟲（三）：python中requests庫使用方法詳解

一、什麼是Requests Requests 是⽤Python語⾔編寫，基於urllib，採⽤Apache2 Licensed開源協議的 HTTP 庫。它⽐ urllib 更加⽅便，可以節約我們⼤量的⼯作，完全滿⾜HTTP測試需求。 ⼀句話——Python實現的簡單易

jmeter教程（八）：關聯及正則表示式提取器

所謂關聯，就在從前面請求的響應中提取資料，給後面的請求使用。而提取資料，則需要用到後置處理器裡的正則表示式提取器。為了演示，我簡單寫了一個java請求，模擬介面的響應資料 響應的資料為一個json，這是模擬介面查詢會員列表的資料。time是查詢資料花費的時間，count是查詢出了多少條資料

shell文字過濾程式設計（一）：grep和正則表示式

Linux系統中有很多檔案，比如配置檔案、日誌檔案、使用者檔案等。檔案中都包含了大量的資訊，我們可以使用cat等命令輕鬆將其輸出到螢幕，但如果要從檔案中分析或提取資料，還需要其他工具來實現。而linux正好提供了這些工具：grep、awk、sed等。把這些工具使用好，可以

[Python]網路爬蟲（一）：抓取網頁的含義和URL基本構成

一、網路爬蟲的定義 網路爬蟲，即Web Spider，是一個很形象的名字。 把網際網路比喻成一個蜘蛛網，那麼Spider就是在網上爬來爬去的蜘蛛。 網路蜘蛛是通過網頁的連結地址來尋找網頁的。 從網站某一個頁面（通常是首頁）開始，讀取網頁的內容，找到在網頁中的其它連結地址

[Python]網路爬蟲（二）：利用urllib2通過指定的URL抓取網頁內容

版本號：Python2.7.5，Python3改動較大，各位另尋教程。 所謂網頁抓取，就是把URL地址中指定的網路資源從網路流中讀取出來，儲存到本地。  類似於使用程式模擬IE瀏覽器的功能，把URL作為HTTP請求的內容傳送到伺服器端， 然後讀取伺服器端的響應資源。 在

[Python]網路爬蟲（五）：urllib2的使用細節與抓站技巧

前面說到了urllib2的簡單入門，下面整理了一部分urllib2的使用細節。 1.Proxy 的設定 urllib2 預設會使用環境變數 http_proxy 來設定 HTTP Proxy。 如果想在程式中明確控制 Proxy 而不受環境變數的影響，可以使用代理。

Python網路爬蟲（三）：chromdriver.exe與chrome版本對映及下載連結

前言：最近正在學習Python網路爬蟲，學到selenium，需要用到chrome瀏覽器的驅動，但是網上的很多地址都被牆了，而且沒有準確的驅動和chrome版本的對映，很麻煩。現在我已經解決了這些問題，現在把對映和下載連結分享出來。 （一）檢視chrome

Python網路爬蟲（四）：視訊下載器

這一節實現一個下載 iqiyi VIP視訊的爬蟲。 需要的準備：旋風視訊VIP解析網站或其他解析網站 原理理解： 在視訊解析網站獲取視訊的過程中，首先會向視訊伺服器傳送GET請求，獲得伺服器發來的資訊；接到資訊後，再向伺服器POST資料，即將類似於密碼

Python網路爬蟲（九）：爬取頂點小說網站全部小說，並存入MongoDB

前言：本篇部落格將爬取頂點小說網站全部小說、涉及到的問題有：Scrapy架構、斷點續傳問題、Mongodb資料庫相關操作。 背景： Python版本：Anaconda3 執行平臺：Windows IDE：PyCharm 資料庫：MongoDB 瀏

Python網路爬蟲（四）：selenium+chrome爬取美女圖片

說明： Python版本：Python IDE：PyCharm chrome版本：我的版本63 chromedriver.exe：因為是模擬瀏覽器訪問，chrome需要再下載一個驅動，具體方式在我的上一篇部落格，內容很詳細。傳送門：Python網路爬蟲（

[Python]網路爬蟲（二）：利用urllib通過指定的URL抓取網頁內容

1.基本方法 urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=F

Python網路爬蟲（七）：解決ImportError:DLL load failed：作業系統無法執行問題

背景： Python版本：Anaconda3 問題描述： 最近在執行scrapy專案時，本來安裝好好的scrapy框架突然報錯，猝不及防， ImportError:DLL load failed：作業系統無法執行%1 如圖： 自己也是百思

[Python]網路爬蟲（三）：使用cookiejar管理cookie 以及 模擬登入知乎

大家好哈，上一節我們研究了一下爬蟲的異常處理問題，那麼接下來我們一起來看一下Cookie的使用。 為什麼要使用Cookie呢？ Cookie，指某些網站為了辨別使用者身份、進行session跟蹤而儲存在使用者本地終端上的資料（通常經過加密） 比如說有些網站需要登入後才

[Python]網路爬蟲（四）：Opener與Handler

在開始後面的內容之前，先來解釋一下urllib2中的兩個個方法：info and geturl  urlopen返回的應答物件response(或者HTTPError例項)有兩個很有用的方法info()和geturl() 1.geturl()： geturl()返回獲

爬蟲（六）：Selenium庫使用

ide BE domain () tex contain lec send ram 一：Selenium簡介 selenium 是一套完整的web應用程序測試系統，包含了測試的錄制（selenium IDE）,編寫及運行（Selenium Remote Control）和測

Python基礎（4）：python中的特性入門篇（索引，切片，連線，重複，成員操作符）

在介紹列表的時候發現，有一些特性沒有提前解釋，而穿插在其中又會略顯重複和雜亂，索性在這裡來個總結。 接觸python的人不難了解到一個詞：高階特性。 其實內容並不高深，因為高階特性的產生，就是為了讓程式碼更簡介。 以下先介紹簡單的：索引，切片，連線，重複，成員操作符，以及其應用物件。 &nb

Windows網路程式設計（六）：IP Helper

IP Helper是Windows系統與IP配置和管理的重要介面，通過IP Helper 可以獲得很多跟網路配置相關的資訊。比如說本機IP、閘道器設定、網絡卡數量和連線資訊。 #include <windows.h> #include "iphlpapi.h" /* 全域

Python基礎（8）：python中的特性進階篇（迭代，列表生成式，生成器，迭代器）

python中還包括一些高階特性，以下簡單介紹。 迭代 定義：用for迴圈來遍歷物件的過程，叫做迭代。 作用物件：可迭代物件 如何判斷是否為可迭代物件：isinstance(xxx,Iterable)，Iterable型別來源於collections模組。 應用場景： 1