Python 爬蟲從入門到進階之路（八）

在之前的文章中我們介紹了一下 requests 模塊，今天我們再來看一下 Python 爬蟲中的正則表達的使用和 re 模塊。

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）

我們在之前寫的爬蟲程序中，都只是獲取到了頁面的全部內容，也就是只進行到了第2步，但是大部分的東西是我們不關心的，因此我們需要將之按我們的需要過濾和匹配出來。這時候我們就需要用到了正則表達式。

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，如下：

r'python\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

str = 'abc123def456'

p = pattern.match(str)  # 查找頭部，沒有匹配
print(p)  # None

p = pattern.match(str, 2, 9)  # 從'c'的位置開始匹配，沒有匹配
print(p)  # None

p = pattern.match(str, 3, 9)  # 從'4'的位置開始匹配，正好匹配, 返回一個 Match 對象
print(p)  # <re.Match object; span=(3, 6), match='123'>

p = p.group(0)  # 可省略 0
print(p)  # 123

p = p.start(0)  # 可省略 0
print(p)  # 3

p = p.end(0)  # 可省略 0
print(p)  # 6

p = p.span(0)  # 可省略 0
print(p)  # (3, 6)

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))。

我們再來看一下具體用法：

import re

pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # 用於匹配至少一個字母, re.I 表示忽略大小寫

str = 'Hello world hello Python'

p = pattern.match(str)  # 查找頭部，匹配成功，返回一個 Match 對象
print(p)  # <re.Match object; span=(0, 11), match='Hello world'>

p = p.group(0)  # 返回匹配成功的整個子串
print(p)  # Hello world

p = p.group(1)  # 返回第一個分組匹配成功的子串
print(p)  # Hello
p = p.group(2)  # 返回第二個分組匹配成功的子串
print(p)  # world
p = p.group(3)  # 不存在第三個分組
print(p)  # IndexError: no such group

p = p.span(0)  # 返回匹配成功的整個子串的索引
print(p)  # (0, 11)
p = p.span(1)  # 返回第一個分組匹配成功的子串的索引
print(p)  # (0, 5)
p = p.span(2)  # 返回第二個分組匹配成功的子串的索引
print(p)  # (6, 11)
p = p.span(3)  # 不存在第三個分組
print(p)  # IndexError: no such group

p = p.start(0)  # 返回匹配成功的整個子串的開始下標
print(p)  # 0
p = p.end(0)  # 返回匹配成功的整個子串的結束下標
print(p)  # 11
p = p.start(1)  # 返回第一個分組匹配成功的子串的開始下標
print(p)  # 0
p = p.end(1)  # 返回第一個分組匹配成功的子串的結束下標
print(p)  # 5
p = p.start(2)  # 返回第二個分組匹配成功的子串的開始下標
print(p)  # 6
p = p.end(2)  # 返回第二個分組匹配成功的子串的結束下標
print(p)  # 11
p = p.start(3)  # 返回第三個分組匹配成功的子串的開始下標
print(p)  # IndexError: no such group
p = p.end(3)  # 返回第三個分組匹配成功的子串的結束下標
print(p)  # IndexError: no such group

p = p.groups()  # 等價於 (m.group(1), m.group(2), ...)
print(p)  # ('Hello', 'world')

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。

import re

pattern = re.compile(r'\d+')  # 用於匹配至少一個數字

str = 'abc123def456'

p = pattern.search(str)  # 查找頭部，匹配成功，返回一個 Match 對象
print(p)  # <re.Match object; span=(3, 6), match='123'>

p = pattern.search(str, 1, 3)  # 指定區間, 匹配失敗，返回一個 None
print(p)  # None

p = pattern.search(str, 8, 10)  # 指定區間, 匹配成功，返回一個 Match 對象
print(p)  # <re.Match object; span=(9, 10), match='4'>

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。

import re

pattern = re.compile(r'\d+')  # 用於匹配至少一個數字

str = 'abc123def456'

p = pattern.findall(str)  # 返回一個列表對象
print(p)  # ['123', '456']

p = pattern.findall(str, 1, 3)  # 返回一個列表對象
print(p)  # []

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。

import re

pattern = re.compile(r'\d+')  # 用於匹配至少一個數字

str = 'abc123def456'

p = pattern.finditer(str)  # 返回一個 Match 對象
print(p)  # <callable_iterator object at 0x1054eb400>

p = pattern.finditer(str, 1, 3)  # 返回一個 Match 對象
print(p)  # <callable_iterator object at 0x10552e358>

在實際中我們很少應用 finditer 方法，因為我們還需要對獲取的 Match 對象進行進一步處理，如循環，group() 等來獲取直觀數據。

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。

import re

pattern = re.compile(r'[\s\,\;]+') # 匹配至少一個空格和 ;

str = 'a,b;; c   d'

p = pattern.split(str)
print(p)  # ['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。

import re

pattern = re.compile(r'(\w+) (\w+)', re.I)  # \w = [A-Za-z0-9]

str = 'Hello 123, hello 456'

p = pattern.sub(r'hello World', str)  # 使用 'hello World' 替換 'Hello 123' 和 'hello 456'
print(p)  # hello World, hello World

p = pattern.sub(r'hello World', str, 1)  # 使用 'hello World' 替換 'Hello 123', 1 表示最多替換一次
print(p)  # hello World, hello 456