[Python]網絡爬蟲（七）：Python中的正則表達式教程

轉自:http://blog.csdn.net/pleasecallmewhy/article/details/8929576#t4

接下來准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中的正則表達式的相關內容。

正則表達式在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。

一、 正則表達式基礎

1.1.概念介紹

正則表達式是用於處理字符串的強大工具，它並不是Python的一部分。

其他編程語言中也有正則表達式的概念，區別只在於不同的編程語言實現支持的語法數量不同。

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

下圖展示了使用正則表達式進行匹配的流程：

正則表達式的大致匹配過程是：

1.依次拿出表達式和文本中的字符比較，

2.如果每一個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。

3.如果表達式中有量詞或邊界，這個過程會稍微有一些不同。
下圖列出了Python支持的正則表達式元字符和語法：

1.2. 數量詞的貪婪模式與非貪婪模式

正則表達式通常用於在文本中查找匹配的字符串。

貪婪模式，總是嘗試匹配盡可能多的字符；

非貪婪模式則相反，總是嘗試匹配盡可能少的字符。

Python里數量詞默認是貪婪的。

例如：正則表達式"ab*"如果用於查找"abbbc"，將找到"abbb"。

而如果使用非貪婪的數量詞"ab*?"，將找到"a"。

1.3. 反斜杠的問題

與大多數編程語言相同，正則表達式里使用"\"作為轉義字符，這就可能造成反斜杠困擾。

假如你需要匹配文本中的字符"\"，那么使用編程語言表示的正則表達式里將需要4個反斜杠"\\\\"：

第一個和第三個用於在編程語言里將第二個和第四個轉義成反斜杠，

轉換成兩個反斜杠\\后再在正則表達式里轉義成一個反斜杠用來匹配反斜杠\。

這樣顯然是非常麻煩的。

Python里的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用r"\\"表示。

同樣，匹配一個數字的"\\d"可以寫成r"\d"。

有了原生字符串，媽媽再也不用擔心我的反斜杠問題~

二、 介紹re模塊

2.1.  Compile

Python通過re模塊提供對正則表達式的支持。

使用re的一般步驟是：

Step1：先將正則表達式的字符串形式編譯為Pattern實例。

Step2：然后使用Pattern實例處理文本並獲得匹配結果（一個Match實例）。

Step3：最后使用Match實例獲得信息，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實例，匹配字符串中的hello字符串

#導入re模塊
import re
 
# 將正則表達式編譯成Pattern對象，注意hello前面的r的意思是“原生字符串”
pattern = re.compile(r'hello')
 
# 使用Pattern匹配文本，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獲得分組信息
    print match1.group()
else:
    print 'match1匹配失敗！'


#如果match2匹配成功
if match2:
    # 使用Match獲得分組信息
    print match2.group()
else:
    print 'match2匹配失敗！'


#如果match3匹配成功
if match3:
    # 使用Match獲得分組信息
    print match3.group()
else:
    print 'match3匹配失敗！'

可以看到控制台輸出了匹配的三個結果：

下面來具體看看代碼中的關鍵方法。

★ re.compile(strPattern[, flag]):

這個方法是Pattern類的工廠方法，用於將字符串形式的正則表達式編譯為Pattern對象。

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

另外，你也可以在regex字符串中指定模式，

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): 使預定字符類 \w \W \b \B \s \S 取決於當前區域設定
• re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決於unicode定義的字符屬性
• re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，並可以加入注釋。

以下兩個正則表達式是等價的：

# -*- 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獲得分組信息
    print match11.group()
else:
    print u'match11不是小數'
    
if match12:
    # 使用Match獲得分組信息
    print match12.group()
else:
    print u'match12不是小數'
    
if match21:
    # 使用Match獲得分組信息
    print match21.group()
else:
    print u'match21不是小數'

if match22:
    # 使用Match獲得分組信息
    print match22.group()
else:
    print u'match22不是小數'

re提供了眾多模塊方法用於完成正則表達式的功能。

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

但同時也無法復用編譯后的Pattern對象。

這些方法將在Pattern類的實例方法部分一起介紹。

如一開始的hello實例可以簡寫為：

# -*- coding: utf-8 -*-
#一個簡單的re實例，匹配字符串中的hello字符串
import re

m = re.match(r'hello', 'hello world!')
print m.group()

re模塊還提供了一個方法escape(string)，用於將string中的正則表達式元字符如*/+/?等之前加上轉義符再返回

2.2. Match

Match對象是一次匹配的結果，包含了很多關於此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：

1. string: 匹配時使用的文本。
2. re: 匹配時使用的Pattern對象。
3. pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
4. endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
5. lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
6. lastgroup: 最后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符串；指定多個參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；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
2. groups([default])：
   以元組形式返回全部分組截獲的字符串。相當於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為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（子串第一個字符的索引）。group默認值為0。
5. end([group])：
   返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。
6. span([group])：
   返回(start(group), end(group))。
7. expand(template)：
   將匹配到的分組代入template中然后返回。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之后是字符'0'，只能使用 \g<1>0。

下面來用一個py實例輸出所有的內容加深理解：

 

# -*- coding: utf-8 -*-
#一個簡單的match實例

import re
# 匹配如下內容：單詞+空格+單詞+任意字符
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對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找。

Pattern不能直接實例化，必須使用re.compile()進行構造，也就是re.compile()返回的對象。

Pattern提供了幾個可讀屬性用於獲取表達式的相關信息：

1. pattern: 編譯時用的表達式字符串。
2. flags: 編譯時用的匹配模式。數字形式。
3. groups: 表達式中分組的數量。
4. groupindex: 以表達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查看pattern的屬性：

# -*- coding: utf-8 -*-
#一個簡單的pattern實例

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的實例方法及其使用。

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對象；

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的默認值分別為0和len(string)；

re.match()無法指定這兩個參數，參數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還有剩余字符，仍然視為成功。

想要完全匹配，可以在表達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
 
# 將正則表達式編譯成Pattern對象
pattern = re.compile(r'hello')
 
# 使用Pattern匹配文本，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獲得分組信息
    print match.group()
 
### 輸出 ###
# hello

2.search
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
這個方法用於查找字符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對象；

若無法匹配，則將pos加1后重新嘗試匹配；

直到pos=endpos時仍無法匹配則返回None。

pos和endpos的默認值分別為0和len(string))；

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

那么它和match有什么區別呢？

match()函數只檢測re是不是在string的開始位置匹配，

search()會掃描整個string查找匹配，

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()會掃描整個字符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的實例：

# -*- coding: utf-8 -*-
#一個簡單的search實例

import re
 
# 將正則表達式編譯成Pattern對象
pattern = re.compile(r'world')
 
# 使用search()查找匹配的子串，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獲得分組信息
    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分割后返回列表。

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]):
搜索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]):
搜索string，返回一個順序訪問每一個匹配結果（Match對象）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后返回替換后的字符串。
當repl是一個字符串時，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參數（Match對象），並返回一個字符串用於替換（返回的字符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的正則表達式基本介紹就算是完成了^_^