Python 爬虫从入门到进阶之路（八）

在之前的文章中我们介绍了一下 requests 模块，今天我们再来看一下 Python 爬虫中的正则表达的使用和 re 模块。

实际上爬虫一共就四个主要步骤：

1. 明确目标 (要知道你准备在哪个范围或者网站去搜索)
2. 爬 (将所有的网站的内容全部爬下来)
3. 取 (去掉对我们没用处的数据)
4. 处理数据（按照我们想要的方式存储和使用）

我们在之前写的爬虫程序中，都只是获取到了页面的全部内容，也就是只进行到了第2步，但是大部分的东西是我们不关心的，因此我们需要将之按我们的需要过滤和匹配出来。这时候我们就需要用到了正则表达式。

什么是正则表达式

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

• 给定的字符串是否符合正则表达式的过滤逻辑（“匹配”）；
• 通过正则表达式，从文本字符串中获取我们想要的特定部分（“过滤”）。

 

正则表达式匹配规则

Python 的 re 模块

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀，如下：

r'python\t\.\tpython'

re 模块的一般使用步骤如下：

1. 使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象

2. 通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。

3. 最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

import re

# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')

在上面，我们已将一个正则表达式编译成 Pattern 对象，接下来，我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。

Pattern 对象的一些常用方法主要有：

• match 方法：从起始位置开始查找，一次匹配
• search 方法：从任何位置开始查找，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：替换

match 方法

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。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 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

import re

pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

str = 'abc123def456'

p = pattern.match(str)  # 查找头部，没有匹配
print(p)  # None

p = pattern.match(str, 2, 9)  # 从'c'的位置开始匹配，没有匹配
print(p)  # None

p = pattern.match(str, 3, 9)  # 从'4'的位置开始匹配，正好匹配, 返回一个 Match 对象
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，当匹配成功时返回一个 Match 对象，其中：

• group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；

• start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；

• end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
• span([group]) 方法返回 (start(group), end(group))。

我们再来看一下具体用法：

import re

pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # 用于匹配至少一个字母, re.I 表示忽略大小写

str = 'Hello world hello Python'

p = pattern.match(str)  # 查找头部，匹配成功，返回一个 Match 对象
print(p)  # <re.Match object; span=(0, 11), match='Hello world'>

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

p = p.group(1)  # 返回第一个分组匹配成功的子串
print(p)  # Hello
p = p.group(2)  # 返回第二个分组匹配成功的子串
print(p)  # world
p = p.group(3)  # 不存在第三个分组
print(p)  # IndexError: no such group

p = p.span(0)  # 返回匹配成功的整个子串的索引
print(p)  # (0, 11)
p = p.span(1)  # 返回第一个分组匹配成功的子串的索引
print(p)  # (0, 5)
p = p.span(2)  # 返回第二个分组匹配成功的子串的索引
print(p)  # (6, 11)
p = p.span(3)  # 不存在第三个分组
print(p)  # IndexError: no such group

p = p.start(0)  # 返回匹配成功的整个子串的开始下标
print(p)  # 0
p = p.end(0)  # 返回匹配成功的整个子串的结束下标
print(p)  # 11
p = p.start(1)  # 返回第一个分组匹配成功的子串的开始下标
print(p)  # 0
p = p.end(1)  # 返回第一个分组匹配成功的子串的结束下标
print(p)  # 5
p = p.start(2)  # 返回第二个分组匹配成功的子串的开始下标
print(p)  # 6
p = p.end(2)  # 返回第二个分组匹配成功的子串的结束下标
print(p)  # 11
p = p.start(3)  # 返回第三个分组匹配成功的子串的开始下标
print(p)  # IndexError: no such group
p = p.end(3)  # 返回第三个分组匹配成功的子串的结束下标
print(p)  # IndexError: no such group

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

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，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，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 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

import re

pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

str = 'abc123def456'

p = pattern.search(str)  # 查找头部，匹配成功，返回一个 Match 对象
print(p)  # <re.Match object; span=(3, 6), match='123'>

p = pattern.search(str, 1, 3)  # 指定区间, 匹配失败，返回一个 None
print(p)  # None

p = pattern.search(str, 8, 10)  # 指定区间, 匹配成功，返回一个 Match 对象
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，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。

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 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

import re

pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

str = 'abc123def456'

p = pattern.findall(str)  # 返回一个列表对象
print(p)  # ['123', '456']

p = pattern.findall(str, 1, 3)  # 返回一个列表对象
print(p)  # []

finditer 方法

finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。

import re

pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

str = 'abc123def456'

p = pattern.finditer(str)  # 返回一个 Match 对象
print(p)  # <callable_iterator object at 0x1054eb400>

p = pattern.finditer(str, 1, 3)  # 返回一个 Match 对象
print(p)  # <callable_iterator object at 0x10552e358>

在实际中我们很少应用 finditer 方法，因为我们还需要对获取的 Match 对象进行进一步处理，如循环，group() 等来获取直观数据。

split 方法

split 方法按照能够匹配的子串将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数，不指定将全部分割。

import re

pattern = re.compile(r'[\s\,\;]+') # 匹配至少一个空格和 ;

str = 'a,b;; c   d'

p = pattern.split(str)
print(p)  # ['a', 'b', 'c', 'd']

sub 方法

sub 方法用于替换。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个函数：

• 如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；

• 如果 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。

• count 用于指定最多替换次数，不指定时全部替换。

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' 替换 'Hello 123' 和 'hello 456'
print(p)  # hello World, hello World

p = pattern.sub(r'hello World', str, 1)  # 使用 'hello World' 替换 'Hello 123', 1 表示最多替换一次
print(p)  # hello World, hello 456