正則表達式與爬蟲：

　　爬蟲四個主要步驟：

　　• 明確目標 (要知道你準備在哪個范圍或者網(wǎng)站去搜索)

　　• 爬 (將所有的網(wǎng)站的內(nèi)容全部爬下來)

　　• 取 (去掉對我們沒用處的數(shù)據(jù))

　　• 處理數(shù)據(jù)(按照我們想要的方式存儲和使用)

　　那么在文本過濾這塊最強大的就是正則表達式，更是python爬蟲世界必不可少利器。

　　什么是正則表達式

　　正則表達式，又稱規(guī)則表達式，通常被用來檢索、替換那些符合某個模式(規(guī)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(guī)則字符串”，這個“規(guī)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(guī)則

　　Python 的 re 模塊

　　在 Python 中，我們可以使用內(nèi)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(zhuǎn)義，所以如果我們要使用原始字符串，只需加一個 r 前綴：

　　re 模塊的一般使用步驟如下：

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

　　• 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(jié)果，一個 Match 對象。

　　• 最后使用 Match 對象提供的屬性和方法獲得信息，根據(jù)需要進行其他的操作

　　compile 函數(shù)

　　compile 函數(shù)用于編譯正則表達式，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 方法用于查找字符串的頭部(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(jié)果就返回，而不是查找所有匹配的結(jié)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(shù)，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+') # 用于匹配至少一個數(shù)字

　　>>> m = pattern.match(' okk12hellohai34fine') # 查找頭部，沒有匹配

　　>>> print m

　　None

　　>>> m = pattern.match(' okk12hellohai34fine ', 2, 10) # 從'k'的位置開始匹配，沒有匹配

　　>>> print m

　　None

　　>>> m = pattern.match(' okk12hellohai34fine ', 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.srematch 0x10a42aac0="" at="" object="">

　　>>> 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, …]) 方法用于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]) 方法用于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(shù)默認值為 0;

　　• end([group]) 方法用于獲取分組匹配的子串在整個字符串中的結(jié)束位置(子串最后一個字符的索引+1)，參數(shù)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 Wife Web')

　　>>> print m # 匹配成功，返回一個 Match 對象

　　<sre.srematch at="" object="" 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() # 等價于 (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 "", line 1, in

　　IndexError: no such group

　　search 方法

　　search 方法用于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(jié)果就返回，而不是查找所有匹配的結(jié)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(shù)，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(' okk12hellohai34fine ') # 這里如果使用 match 方法則不匹配

　　>>> m

　　<sre.srematch at="" object="" 0x10cc03ac0="">

　　>>> m.group()

　　'12'

　　>>> m = pattern.search(' okk12hellohai34fine ', 10, 30) # 指定字符串區(qū)間

　　>>> m

　　<sre.srematch at="" object="" 0x10cc03b28="">

　　>>> m.group()

　　'34'

　　>>> m.span()

　　(13, 15)

　　再來看一個例子：

　　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(jié)束位置

　　print 'position:',m.span()

　　執(zhí)行結(jié)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(jié)果就返回。然而，在大多數(shù)時候，我們需要搜索整個字符串，獲得所有匹配的結(jié)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(shù)，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(shù)字

　　result1 = pattern.findall('hello 123456 789')

　　result2 = pattern.findall('one1two2three3four4', 0, 10)

　　print result1

　　print result2

　　執(zhí)行結(jié)果：

　　['123456', '789']

　　['1', '2']

　　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(jié)果。但它返回一個順序訪問每一個匹配結(jié)果(Match 對象)的迭代器。

　　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 用于指定最大分割次數(shù)，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(zhí)行結(jié)果：

　　['a', 'b', 'c', 'd']

　　sub 方法

　　sub 方法用于替換。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(shù)：

　　• 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，并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(shù)，這個方法應當只接受一個參數(shù)(Match 對象)，并返回一個字符串用于替換(返回的字符串中不能再引用分組)。

　　• count 用于指定最多替換次數(shù)，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(zhí)行結(jié)果：

　　hello world, hello world

　　123 hello, 456 hello

　　hi 123, hi 456

　　hi 123, hello 456

　　更多關(guān)于“Python培訓”的問題，歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學，課程大綱緊跟企業(yè)需求，更科學更嚴謹，每年培養(yǎng)泛IT人才近2萬人。不論你是零基礎還是想提升，都可以找到適合的班型，千鋒教育隨時歡迎你來試聽。