python爬虫第五篇--正则表达式

Re模块正则表达式

概念

• 正则表达式是对字符串串操作的⼀一种逻辑公式，就是⽤用事先定义好的⼀一些特定
  字符、及这些特定字符的组合，组成⼀一个“规则字符串串”，这个“规则字符串串”⽤用
  来表达对字符串串的⼀一种过滤逻辑
• 非python独有，re模块实现
  • re.match
  • re.search
  • re.findall
  • re.sub
  • re.compile
• 正则表达式在线工具：http://tool.oschina.net/regex

Re常用匹配模式

模式	描述
\w	匹配字母数字及下划线
\W	匹配非字母数字下划线
\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
\n	匹配一个换行符
\t	匹配一个制表符
^	匹配字符串的开头
$	匹配字符串的末尾
.	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个或多个的表达式
+	匹配1个或多个的表达式
?	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
{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	匹配a或b
( )	匹配括号内的表达式，也表示一个组

Re模块实例

re.match：re.match(pattern, string, flags=0)

• re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none

常规匹配

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)
print(result)
print(result.group())#返回匹配结果
print(result.span())#返回匹配结果范围

泛匹配

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())

匹配目标

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))#group(1)分离匹配结果，1表示匹配到的第一个括号内的数据，这里是1234567
print(result.span())

贪婪匹配

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

非贪婪匹配

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

匹配模式

import re
content = '''Hello 1234567 World_This
is a Regex Demo
'''
result = re.match('^He.*?(\d+).*?Demo$', content, re.S)#re.S匹配任意字符模式
print(result.group(1))

转义

import re
content = 'price is $5.00'
result = re.match('price is $5.00', content)
print(result)

import re
content = 'price is $5.00'
result = re.match('price is \$5\.00', content)
print(result)

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

• re.search

re.search 扫描整个字符串并返回第一个成功的匹配

import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
result = re.match('Hello.*?(\d+).*?Demo', content)
print(result)

import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
result = re.search('Hello.*?(\d+).*?Demo', content)
print(result)
print(result.group(1))

为匹配方便，能用search就不用match

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>
        <li 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"><i class="fa fa-user"></i>但愿人长久</a>
        </li>
    </ul>
</div>'''
result = re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>', html, re.S)
if result:
    print(result.group(1), result.group(2))
    
result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html, re.S)
if result:
    print(result.group(1), result.group(2))
    
result = re.search('<li.*?singer="(.*?)">(.*?)</a>', html)
if result:
    print(result.group(1), result.group(2))

• re.findall

  搜索字符串，以列表形式返回全部能匹配的子串

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>
        <li 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>
        </li>
    </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], result[2])
    
results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>', html, re.S)
print(results)
for result in results:
    print(result[1])

• 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

  import re
  content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
  content = re.sub('\d+', '', content)
  print(content)
  

  import re
  content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
  content = re.sub('(\d+)', r'\1 8910', content)
  print(content)
  #Extra stings Hello 1234567 8910 World_This is a Regex Demo Extra stings
  

  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>
          <li 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>
          </li>
      </ul>
  </div>'''
  html = re.sub('<a.*?>|</a>', '', html)
  print(html)
  results = re.findall('<li.*?>(.*?)</li>', html, re.S)
  print(results)
  for result in results:
      print(result.strip())
  

• 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

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

综合实例

• 爬取豆瓣读书首页书籍信息

import requests
import re
content = requests.get('https://book.douban.com/').text
pattern = re.compile('<li.*?title=.*?href="(.*?)".*?title="(.*?)".*?more-meta.*?author">\n(.*?)\n.*?year">\n(.*?)\n.*?</li>', re.S)
results = re.findall(pattern, content)
for result in results:
    url, name, author, year = result
    author = re.sub('\s', '', author)
    year = re.sub('\s', '', year)
    print(url, name, author, year)