碼上快樂

相關內容    簡體    繁體

非結構化數據與結構化數據提取---正則表達式re模塊

本文轉載自   查看原文   2018-10-13 10:40   733    Python資料

頁面解析和數據提取

一般來講對我們而言，需要抓取的是某個網站或者某個應用的內容，提取有用的價值。內容一般分為兩部分，非結構化的數據 和 結構化的數據。

  • 非結構化數據：先有數據，再有結構，
  • 結構化數據：先有結構、再有數據
  • 不同類型的數據，我們需要采用不同的方式來處理。

非結構化的數據處理

文本、電話號碼、郵箱地址
  • 正則表達式
HTML 文件
  • 正則表達式
  • XPath
  • CSS選擇器

結構化的數據處理

JSON 文件
  • JSON Path
  • 轉化成Python類型進行操作（json類）
XML 文件
  • 轉化成Python類型（xmltodict）
  • XPath
  • CSS選擇器
  • 正則表達式

 

 

為什么要學正則表達式

實際上爬蟲一共就四個主要步驟：

  1. 明確目標 (要知道你准備在哪個范圍或者網站去搜索)
  2. 爬 (將所有的網站的內容全部爬下來)
  3. 取 (去掉對我們沒用處的數據)
  4. 處理數據（按照我們想要的方式存儲和使用）

我們在昨天的案例里實際上省略了第3步，也就是"取"的步驟。因為我們down下了的數據是全部的網頁，這些數據很龐大並且很混亂，大部分的東西使我們不關心的，因此我們需要將之按我們的需要過濾和匹配出來。

那么對於文本的過濾或者規則的匹配，最強大的就是正則表達式，是Python爬蟲世界里必不可少的神兵利器。

什么是正則表達式

正則表達式，又稱規則表達式，通常被用來檢索、替換那些符合某個模式(規則)的文本。

正則表達式是對字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個“規則字符串”，這個“規則字符串”用來表達對字符串的一種過濾邏輯。

給定一個正則表達式和另一個字符串，我們可以達到如下的目的：

  • 給定的字符串是否符合正則表達式的過濾邏輯（“匹配”）；
  • 通過正則表達式，從文本字符串中獲取我們想要的特定部分（“過濾”）。

  •  

正則表達式匹配規則

 

Python 的 re 模塊

在 Python 中，我們可以使用內置的 re 模塊來使用正則表達式。

有一點需要特別注意的是，正則表達式使用 對特殊字符進行轉義，所以如果我們要使用原始字符串，只需加一個 r 前綴，示例：

r'chuanzhiboke\t\.\tpython'

re 模塊的一般使用步驟如下：

  1. 使用 compile() 函數將正則表達式的字符串形式編譯為一個 Pattern 對象

  2. 通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果，一個 Match 對象。

  3. 最后使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作

compile 函數

compile 函數用於編譯正則表達式，生成一個 Pattern 對象，它的一般使用形式如下：

import re # 將正則表達式編譯成 Pattern 對象 pattern = re.compile(r'\d+')

在上面，我們已將一個正則表達式編譯成 Pattern 對象，接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。

Pattern 對象的一些常用方法主要有：

  • match 方法：從起始位置開始查找，一次匹配
  • search 方法：從任何位置開始查找，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：替換

match 方法

match 方法用於查找字符串的頭部（也可以指定起始位置），它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果。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 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。因此，當你不指定 pos 和 endpos 時，match 方法默認匹配字符串的頭部。

當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。

>>> import re >>> pattern = re.compile(r'\d+') # 用於匹配至少一個數字 >>> m = pattern.match('one12twothree34four') # 查找頭部，沒有匹配 >>> print m None >>> m = pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開始匹配，沒有匹配 >>> print m None >>> m = pattern.match('one12twothree34four', 3, 10) # 從'1'的位置開始匹配，正好匹配 >>> print m # 返回一個 Match 對象 <_sre.SRE_Match object at 0x10a42aac0> >>> m.group(0) # 可省略 0 '12' >>> m.start(0) # 可省略 0 3 >>> m.end(0) # 可省略 0 5 >>> m.span(0) # 可省略 0 (3, 5)

在上面，當匹配成功時返回一個 Match 對象，其中：

  • group([group1, …]) 方法用於獲得一個或多個分組匹配的字符串，當要獲得整個匹配的子串時，可直接使用 group() 或 group(0)；

  • start([group]) 方法用於獲取分組匹配的子串在整個字符串中的起始位置（子串第一個字符的索引），參數默認值為 0；

  • end([group]) 方法用於獲取分組匹配的子串在整個字符串中的結束位置（子串最后一個字符的索引+1），參數默認值為 0；
  • span([group]) 方法返回 (start(group), end(group))。

再看看一個例子：


>>> import re >>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小寫 >>> m = pattern.match('Hello World Wide Web') >>> print m # 匹配成功，返回一個 Match 對象 <_sre.SRE_Match object at 0x10bea83e8> >>> m.group(0) # 返回匹配成功的整個子串 'Hello World' >>> m.span(0) # 返回匹配成功的整個子串的索引 (0, 11) >>> m.group(1) # 返回第一個分組匹配成功的子串 'Hello' >>> m.span(1) # 返回第一個分組匹配成功的子串的索引 (0, 5) >>> m.group(2) # 返回第二個分組匹配成功的子串 'World' >>> m.span(2) # 返回第二個分組匹配成功的子串 (6, 11) >>> m.groups() # 等價於 (m.group(1), m.group(2), ...) ('Hello', 'World') >>> m.group(3) # 不存在第三個分組 Traceback (most recent call last): File "<stdin>", line 1, in <module> IndexError: no such group
------------------------------------------------------------------------------------------------------

search 方法

search 方法用於查找字符串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，它的一般使用形式如下：

search(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。

當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。

讓我們看看例子：

>>> import re >>> pattern = re.compile('\d+') >>> m = pattern.search('one12twothree34four') # 這里如果使用 match 方法則不匹配 >>> m <_sre.SRE_Match object at 0x10cc03ac0> >>> m.group() '12' >>> m = pattern.search('one12twothree34four', 10, 30) # 指定字符串區間 >>> m <_sre.SRE_Match object at 0x10cc03b28> >>> m.group() '34' >>> m.span() (13, 15)

再來看一個例子：

# -*- coding: utf-8 -*- import re # 將正則表達式編譯成 Pattern 對象 pattern = re.compile(r'\d+') # 使用 search() 查找匹配的子串，不存在匹配的子串時將返回 None # 這里使用 match() 無法成功匹配 m = pattern.search('hello 123456 789') if m: # 使用 Match 獲得分組信息 print 'matching string:',m.group() # 起始位置和結束位置 print 'position:',m.span()

執行結果：

matching string: 123456
position: (6, 12)
------------------------------------------------------------------------------------------------------

findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一個匹配的結果就返回。然而，在大多數時候，我們需要搜索整個字符串，獲得所有匹配的結果。

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 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。

findall 以列表形式返回全部能匹配的子串，如果沒有匹配，則返回一個空列表。

看看例子：

import re pattern = re.compile(r'\d+') # 查找數字 result1 = pattern.findall('hello 123456 789') result2 = pattern.findall('one1two2three3four4', 0, 10) print result1 print result2

執行結果：

['123456', '789']
['1', '2']

再先看一個栗子：

# re_test.py import re #re模塊提供一個方法叫compile模塊，提供我們輸入一個匹配的規則 #然后返回一個pattern實例，我們根據這個規則去匹配字符串 pattern = re.compile(r'\d+\.\d*') #通過partten.findall()方法就能夠全部匹配到我們得到的字符串 result = pattern.findall("123.141593, 'bigcat', 232312, 3.15") #findall 以 列表形式 返回全部能匹配的子串給result for item in result: print item

運行結果：

123.141593 3.15
------------------------------------------------------------------------------------------------------

finditer 方法

finditer 方法的行為跟 findall 的行為類似，也是搜索整個字符串，獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果（Match 對象）的迭代器。

看看例子：

# -*- coding: utf-8 -*- import re pattern = re.compile(r'\d+') result_iter1 = pattern.finditer('hello 123456 789') result_iter2 = pattern.finditer('one1two2three3four4', 0, 10) print type(result_iter1) print type(result_iter2) print 'result1...' for m1 in result_iter1: # m1 是 Match 對象 print 'matching string: {}, position: {}'.format(m1.group(), m1.span()) print 'result2...' for m2 in result_iter2: print 'matching string: {}, position: {}'.format(m2.group(), m2.span())

執行結果：

<type 'callable-iterator'>
<type 'callable-iterator'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)
------------------------------------------------------------------------------------------------------

split 方法

split 方法按照能夠匹配的子串將字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

其中，maxsplit 用於指定最大分割次數，不指定將全部分割。

看看例子：

import re p = re.compile(r'[\s\,\;]+') print p.split('a,b;; c d')

執行結果：

['a', 'b', 'c', 'd']
------------------------------------------------------------------------------------------------------

sub 方法

sub 方法用於替換。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個函數：

  • 如果 repl 是字符串，則會使用 repl 去替換字符串每一個匹配的子串，並返回替換后的字符串，另外，repl 還可以使用 id 的形式來引用分組，但不能使用編號 0；

  • 如果 repl 是函數，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。

看看例子：

import re p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9] s = 'hello 123, hello 456' print p.sub(r'hello world', s) # 使用 'hello world' 替換 'hello 123' 和 'hello 456' print p.sub(r'\2 \1', s) # 引用分組 def func(m): return 'hi' + ' ' + m.group(2) print p.sub(func, s) print p.sub(func, s, 1) # 最多替換一次

執行結果：

hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
------------------------------------------------------------------------------------------------------

匹配中文

在某些情況下，我們想匹配文本中的漢字，有一點需要注意的是，中文的 unicode 編碼范圍 主要在 [u4e00-u9fa5]，這里說主要是因為這個范圍並不完整，比如沒有包括全角（中文）標點，不過，在大部分情況下，應該是夠用的。

假設現在想把字符串 title = u'你好，hello，世界' 中的中文提取出來，可以這么做：

import re title = u'你好，hello，世界' pattern = re.compile(ur'[\u4e00-\u9fa5]+') result = pattern.findall(title) print result

注意到，我們在正則表達式前面加上了兩個前綴 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

執行結果:

[u'\u4f60\u597d', u'\u4e16\u754c']

注意：貪婪模式與非貪婪模式

  1. 貪婪模式：在整個表達式匹配成功的前提下，盡可能多的匹配 ( * )；
  2. 非貪婪模式：在整個表達式匹配成功的前提下，盡可能少的匹配 ( ? )；
  3. Python里數量詞默認是貪婪的。

示例一 ： 源字符串：abbbc

  • 使用貪婪的數量詞的正則表達式 ab* ，匹配結果： abbb。

    * 決定了盡可能多匹配 b，所以a后面所有的 b 都出現了。

  • 使用非貪婪的數量詞的正則表達式ab*?，匹配結果： a。

    即使前面有 *，但是 ? 決定了盡可能少匹配 b，所以沒有 b。

示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc

  • 使用貪婪的數量詞的正則表達式：<div>.*</div>

  • 匹配結果：<div>test1</div>bb<div>test2</div>

這里采用的是貪婪模式。在匹配到第一個“</div>”時已經可以使整個表達式匹配成功，但是由於采用的是貪婪模式，所以仍然要向右嘗試匹配，查看是否還有更長的可以成功匹配的子串。匹配到第二個“</div>”后，向右再沒有可以成功匹配的子串，匹配結束，匹配結果為“<div>test1</div>bb<div>test2</div>”

  • 使用非貪婪的數量詞的正則表達式：<div>.*?</div>

  • 匹配結果：<div>test1</div>

正則表達式二采用的是非貪婪模式，在匹配到第一個“</div>”時使整個表達式匹配成功，由於采用的是非貪婪模式，所以結束匹配，不再向右嘗試，匹配結果為“<div>test1</div>”。

正則表達式測試網址


免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。



猜您在找 正則表達式和re模塊 python中的正則表達式（re模塊） re模塊 - 正則表達式 疏理(一) 正則表達式和python的re模塊 python與正則表達式：re模塊詳解 【Python】正則表達式模塊 import re詳解 非結構化數據和結構化數據提取 re正則表達式的使用 import re（正則表達式） re 正則表達式
 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM