【re正则表达式】------- PYTHON爬虫基础1

太阳的影子
122 阅读6分钟

【re正则表达式】------- PYTHON爬虫基础1

我们在爬虫过程中经常需要检索那些符合某个模式(规则)的特定文本，这个时候可以用re正则表达式来帮忙。 正则表达式是对字符串操作的一种逻辑公式,就是用一些定义好的特定字符,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。

@TOC

新手入门干货

在线正则表达式测试链接

文章开始之前先推荐一个在线正则表达式测试链接（tool.oschina.net/regex ） 在线正则表达式测试链接

re 基础表达式

模式描述
^匹配字符串的开头
$匹配字符串的末尾
*匹配0个或多个的表达式
+匹配1个或多个的表达式
.匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符
[...]用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k'
[^...]不在[]中的字符：abc 匹配除了a,b,c之外的字符
?匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
{n}精确匹配 n 个前面表达式。例如， o{2} 不能匹配 "Bob" 中的 "o"，但是能匹配 "food" 中的两个 o
{n,}匹配 n 个前面表达式。例如， o{2,} 不能匹配"Bob"中的"o"，但能匹配 "foooood"中的所有 o。"o{1,}" 等价于 "o+"。"o{0,}" 则等价于 "o*"。
{n,m}匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
ab匹配a或b
(re)匹配括号内的表达式，也表示一个组
(?imx)正则表达式包含三种可选标志：i, m, 或 x 。只影响括号中的区域。
(?-imx)正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。
(?: re)类似 (...), 但是不表示一个组
(?imx: re)在括号中使用i, m, 或 x 可选标志
(?-imx: re)在括号中不使用i, m, 或 x 可选标志
(?#...)注释.
(?= re)前向肯定界定符。如果所含正则表达式，以 ... 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。
(?! re)前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功
(?> re)匹配的独立模式，省去回溯。
\w匹配字母数字及下划线
\W匹配非字母数字及下划线
\s匹配任意空白字符，等价于 [\t\n\r\f].
\S匹配任意非空字符
\d匹配任意数字，等价于 [0-9].
\D匹配任意非数字
\A匹配字符串开始
\Z匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。
\z匹配字符串结束
\G匹配最后匹配完成的位置。
\b匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B匹配非单词 边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
\n, \t, 等.匹配一个换行符。匹配一个制表符。等
\1...\9匹配第n个分组的内容。
\10匹配第n个分组的内容，如果它经匹配。否则指的是八进制字符码的表达式。

正文

1.匹配函数 ==re.match==

尝试从字符串的起始位置匹配一个模式,如果不是起始位置就匹配成功的话,match()就返回None。 语法：re.match(pattern,string,flags())

1.1 ==最常规的匹配==

python3环境下输入：

import re
content = "Hello 123 4567 World_This is a Regex Demo"
print(len(content))
result = re.match('^Hello\s\d\d\d\s\d{4}\s\w{10}.*Demo$',content)  #匹配整个content
print(result)
print(result.group())  #匹配结果
print(result.span())   #匹配结果的范围

结果输出为：

41
<re.Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex Demo'>
Hello 123 4567 World_This is a Regex Demo
(0, 41)

知识点

  • 1）len(content) ：计算content的长度，注意空格也算一个长度
  • 2）匹配细节 ^匹配字符串的开头 \s匹配任意空白字符，这里匹配空格 \d匹配任意数字，等价于 [0-9]；\d\d\d这里连续3个数字123；\d{4}匹配连续4个数字4567； \w匹配字母数字及下划线，w{10}这里匹配World_This； . 匹配任意字符，除了换行符。*匹配0个或多个的表达式。 .*这里匹配 is a Regex ；注意这里是包含空格的。 $：匹配字符串的末尾。

1.2 ==泛匹配==

python3环境下输入：

import re
content = "Hello 123 4567 World_This is a Regex Demo"
result = re.match('^Hello.*Demo$',content)
print(result)
print(result.group())  
print(result.span())

结果输出为：

<re.Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex Demo'>
Hello 123 4567 World_This is a Regex Demo
(0, 41)

知识点

  • .*这里匹配 123 4567 World_This is a Regex

1.3 ==匹配目标(提取部分)==

python3环境下输入：

import re
content = "Hello 1234567 World_This is a Regex Demo"
result = re.match('^Hello\s(\d+)\sWorld.*Demo$',content)
print(result)
print(result.group(1))  #匹配第一个括号内的结果
print(result.span())

结果输出为：

<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
1234567
(0, 40)

知识点

  • 匹配1个或多个的表达式。\d+这里匹配1234567。
  • 将提取部分加上括号，eg: (\d+)。对应地 result.group(1)) #返回第一个括号内的结果

1.4 ==贪婪匹配.*==

python3环境下输入：

import re
content = "Hello 1234567 World_This is a Regex Demo"
result = re.match('^He.*(\d+).*Demo$',content)   # .*会匹配尽可能多的字符
print(result)
print(result.group(1)) 
print(result.span())

结果输出为：

<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
7
(0, 40)

知识点

  • 贪婪匹配.*会匹配尽可能多的字符。
  • 这里.*(\d+).*中第一个.*匹配到llo 123456，(\d+)匹配到7，第二个.*匹配到 World_This is a Regex 。

1.5 ==非贪婪匹配.*？==

python3环境下输入：

import re
content = "Hello 1234567 World_This is a Regex Demo"
result = re.match('^He.*?(\d+).*Demo$',content)   # .*?会匹配尽可能少的字符
print(result)
print(result.group(1)) 
print(result.span())

结果输出为：

<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
1234567
(0, 40)

知识点

  • .*？会匹配尽可能少的字符

1.6 ==换行符==

python3环境下输入：

import re
content = '''Hello 1234567 World_This
is a Regex Demo
'''
result = re.match('^He.*?(\d+).*Demo$',content)    #.*无法匹配换行符  
print(result)

结果输出为：

None

python3环境下输入：

import re
content = '''Hello 1234567 World_This
is a Regex Demo
'''
result = re.match('^He.*?(\d+).*Demo$',content,re.S)     #re.S 代替换行符 
print(result)
print(result.group(1))  
print(result.span())

结果输出为：

<re.Match object; span=(0, 40), match='Hello 1234567 World_This\nis a Regex Demo'>
1234567
(0, 40)

知识点

  • .*无法匹配换行符
  • re.S 代替换行符

1.7 ==转义(匹配特殊字符)？==

python3环境下输入：

import re
content = 'price is $5.00'
result = re.match('price is $5.00',content)      #包含特殊字符不能直接全部输入
print(result)

结果输出为：

None

python3环境下输入：

import re
content = 'price is $5.00'
result = re.match('price is \$5\.00',content)       #给特殊字符加双斜杆即可
print(result)

结果输出为：

<re.Match object; span=(0, 14), match='price is $5.00'>

知识点

  • 包含特殊字符不能直接全部输入
  • 给特殊字符加双斜杆即可

总结 ==尽量使用泛匹配,使用括号得到匹配目标,尽量使用非贪婪模式,有换行符就用re.S==

2.匹配函数 ==re.search==

re.search 更推荐使用， 扫描整个字符串并返回第一个成功的匹配

python3环境下输入：

import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
result = re.match('Hello.*?(\d+).*?Demo',content)   # re.match必须是从头开始匹配
print(result)

结果输出为：

None

python3环境下输入：

iimport re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
result = re.search('Hello.*?(\d+).*?Demo',content)   # re.search不是必须从头开始匹配
print(result)

结果输出为：

<re.Match object; span=(13, 53), match='Hello 1234567 World_This is a Regex Demo'>

知识点

  • re.match必须是从头开始匹配
  • re.search不是必须从头开始匹配

python3环境下输入：

import re
html = '''*<div id="songs-list">
<h2 class=title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class"list -group">
<li data -view="2">一路上有你</li>
<li data -view="7" >
<a href="/2.mp3" singer="任贤齐">沧海声笑</a>
</li>
<li data -view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<ll data-view="6"><a href="*/4.mp3" singer="beyond">光辉岁月</a></li>
<li data _view="5"><a href-=*/5.mp3" singer="陈慧琳">记事本</a></li>
<li data -view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</i>
</ul>
</div>'''
result = re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>',html,re.S)   #!!!re.S很重要
if result:
    print(result.group(1),result.group(2))   ##  返回第一个满足条件的结果
result = re.search('<li.*?singer="(.*?)">(.*?)</a>',html,re.S)   #删掉.*?active
if result:
    print(result.group(1),result.group(2))

结果输出为：

齐秦 往事随风
任贤齐 沧海声笑

3.匹配函数 ==re.findall==

re.findall 搜索字符串,以列表形式返回全部能匹配的字段

python3环境下输入：

import re
html = '''*<div id="songs-list">
<h2 class=title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class"list -group">
<li data -view="2">一路上有你</li>
<li data -view="7" >
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data -view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<ll data-view="6"><a href="*/4.mp3" singer="beyond">光辉岁月</a></li>
<li data _view="5"><a href-=*/5.mp3" singer="陈慧琳">记事本</a></li>
<li data -view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</i>
</ul>
</div>'''
# results = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>',html,re.S) 
# print(results)
# print(type(results))
# for result in results:
#     print(result)
#     print(result[0],result[1])     # 匹配到的是从第二个开始的
    
#如果想要把第一个"一路上有你"和其他歌名匹配到 
# #方法一：
# results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>',html,re.S) 
# # \s*?  换行空白字符可能有可能没有   (<a.*?>)?  a标签可能有可能没有   (\w+)歌名字符串   （</a>）?  </a>可能有可能没有
# print(results)
# for result in results:
#     print(result[1]) 
    
#方法二：
html=re.sub("<a.*?>|</a>","",html)
# print(html)
results=re.findall('<li.*?>(.*?)</li>',html,re.S)
print(results)   #有的有换行符，有的没有
for result in results:
    print(result.strip())   #strip()把换行符去掉

结果输出为：

['一路上有你', '\n沧海一声笑\n', '\n往事随风\n', '记事本']
一路上有你
沧海一声笑
往事随风
记事本

4.匹配函数 ==re.sub==

re.sub 替换字符串中每一个匹配的子串后返回替换后的字符串

python3环境下输入：

import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
result = re.sub('\d+','',content)   # 将数字部分变为空
print(result)

结果输出为：

Extra stings Hello  World_This is a Regex Demo Extra stings

python3环境下输入：

import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
result = re.sub('\d+','Replacement',content)   # 将数字部分变为替换字符串
print(result)

结果输出为：

Extra stings Hello Replacement World_This is a Regex Demo Extra stings

python3环境下输入：

import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
result = re.sub('(\d+)',r'\1 8910',content)   # 将数字部分继续添加,加括号,再r'\1 注意这里有空格,\1
print(result)

结果输出为：

Extra stings Hello 1234567 8910 World_This is a Regex Demo Extra stings

5.匹配函数 ==re.compile==

re.compile 将正则字符串编译成正则表达式对象，以便于复用该匹配模式

python3环境下输入：

import re
content = '''Hello 1234567 World_This
is a Regex Demo
'''
pattern = re.compile('Hello.*Demo',re.S)     #re.S 代替换行符 
result = re.match(pattern,content)
print(result)
print(result.group())  
print(result.span())

结果输出为：

<re.Match object; span=(0, 40), match='Hello 1234567 World_This\nis a Regex Demo'>
Hello 1234567 World_This
is a Regex Demo
(0, 40)

6. ==实战练习==

练习一：提取网页发布时间 python3环境下输入：

import re
html="""<span class="info">
                选择字体：[<span class="set-font" data-font="lg">大</span>-<span class="set-font" data-font="md">中</span>-<span class="set-font" data-font="sm">小</span>]
              </span>
<span class="info">发布时间：2021-06-09 08:48:16</span>
<span class="info share-box" id="toShare">
"""
publishDate = re.findall('<span.*?class="info">发布时间：(.*?)</span>',html,re.S)
# publishDate = re.findall('<span.*?class="info.*?share-box".*?id="(.*?)">',html,re.S)
print(publishDate)

结果输出为：

['2021-06-09 08:48:16']

练习二：提取发件附件名称 python3环境下输入：

import re
html='''
<td align="center" style="padding:5px 10px;"><strong>发证附件：</strong></td>
<td style="padding:5px 10px;"><p><a href="/picture/lslzfl/picture/old/a78fb67a-e02f-4a58-9499-f0a847254660.jpg" style="font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: 400; font-size: 16px; font-family: sans-serif; white-space: normal;" target="_blank">发证附件.pdf</a></p></td>
</tr>
</div>
'''
publishDate = re.findall('发证附件：.*?href="(.*?)"',html,re.S)
# publishDate = re.findall('<span.*?class="info.*?share-box".*?id="(.*?)">',html,re.S)
print(publishDate)

结果输出为：

['/picture/lslzfl/picture/old/a78fb67a-e02f-4a58-9499-f0a847254660.jpg']

练习二：提取土拍部分信息 python3环境下输入：

import re
html="""
<div class="land-name-title">

                    温岭市石桥头镇下宅吴村石桥头学工路北侧、振兴南路东侧地块                    <span class="tag-guipai">招标</span>
<span class="tag-deal tag-deal__wait">待成交</span>
</div>
"""
title = re.findall('<div.*?class="land-name-title">(.*?)<span',html,re.S)
aaa = re.findall('<span.*?class="tag-guipai">(.*?)</span>',html)
bbb = re.findall('<span.*?class="tag-deal.*?tag-deal__wait">(.*?)</span>',html)
print(title)
print(aaa)
print(bbb)

结果输出为：

['\n\n                    温岭市石桥头镇下宅吴村石桥头学工路北侧、振兴南路东侧地块                    ']
['招标']
['待成交']
avatar
文章
阅读
粉丝