【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。
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(https://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 |
a | 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']