Python爬虫开发第1篇正则表达式

Posted Nice1949

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python爬虫开发第1篇正则表达式相关的知识,希望对你有一定的参考价值。

非结构化数据:HTML(正则表达式、XPath、CSS选择器)

 结构化数据:JSON文件(JSON Path、转化为Python类型进行操作)

       XML文件(转化成Python类型、XPath、CSS选择器)

 

1、正则表达式

  它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。

2、re模块

2.1、re模块使用步骤:

  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

2.2、compile()

   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+\')

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

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

  其中,pattern表示匹配的正则表达式,string 是要匹配的字符串,标志位,用于控制正则表达式的匹配方式,如:是否区分大小写,多行匹配等等

例1:

>>> import re 
>>> pattern = re.compile(r\'\\d+\') # 用于匹配至少一个数字 
>>> m = pattern.match(\'one12twothree34four\') # 查找头部,没有匹配 
>>> print m None 
>>> m = pattern.match(\'one12twothree34four\', 2, 10) # 从\'e\'的位置开始匹配,没有匹配 
>>> print m None 
>>> m = pattern.match(\'one12twothree34four\', 3, 10) # 从\'1\'的位置开始匹配,正好匹配 
>>> print m # 返回一个 Match 对象 <_sre.SRE_Match object at 0x10a42aac0> 
>>> 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) 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))。


例2:

>>> import re
>>> pattern = re.compile(r\'([a-z]+) ([a-z]+)\', re.I)  # re.I 表示忽略大小写
>>> m = pattern.match(\'Hello World Wide Web\')

>>> print m     # 匹配成功,返回一个 Match 对象
<_sre.SRE_Match object at 0x10bea83e8>

>>> m.group(0)  # 返回匹配成功的整个子串
\'Hello World\'

>>> m.span(0)   # 返回匹配成功的整个子串的索引
(0, 11)

>>> m.group(1)  # 返回第一个分组匹配成功的子串
\'Hello\'

>>> m.span(1)   # 返回第一个分组匹配成功的子串的索引
(0, 5)

>>> m.group(2)  # 返回第二个分组匹配成功的子串
\'World\'

>>> m.span(2)   # 返回第二个分组匹配成功的子串
(6, 11)

>>> m.groups()  # 等价于 (m.group(1), m.group(2), ...)
(\'Hello\', \'World\')

>>> m.group(3)   # 不存在第三个分组
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: no such group

 

2.2.2、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。

例1:
>>> import re
>>> pattern = re.compile(\'\\d+\')
>>> m = pattern.search(\'one12twothree34four\')  # 这里如果使用 match 方法则不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
\'12\'
>>> m = pattern.search(\'one12twothree34four\', 10, 30)  # 指定字符串区间
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
\'34\'
>>> m.span()
(13, 15)

例2:
# -*- coding: utf-8 -*-

import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r\'\\d+\')
# 使用 search() 查找匹配的子串,不存在匹配的子串时将返回 None
# 这里使用 match() 无法成功匹配
m = pattern.search(\'hello 123456 789\')
if m:
    # 使用 Match 获得分组信息
    print \'matching string:\',m.group()
    # 起始位置和结束位置
    print \'position:\',m.span()
执行结果:

matching string: 123456
position: (6, 12)

2.2.3、findall方法

  findall可以搜索整个字符串,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。

例1:
import re
pattern = re.compile(r\'\\d+\')   # 查找数字

result1 = pattern.findall(\'hello 123456 789\')
result2 = pattern.findall(\'one1two2three3four4\', 0, 10)

print result1
print result2
执行结果:

[\'123456\', \'789\']
[\'1\', \'2\']

例2:
# re_test.py

import re

#re模块提供一个方法叫compile模块,提供我们输入一个匹配的规则
#然后返回一个pattern实例,我们根据这个规则去匹配字符串
pattern = re.compile(r\'\\d+\\.\\d*\')

#通过partten.findall()方法就能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, \'bigcat\', 232312, 3.15")

#findall 以 列表形式 返回全部能匹配的子串给result
for item in result:
    print item
运行结果:

123.141593
3.15

2.2.4、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。

# -*- coding: utf-8 -*-

import re
pattern = re.compile(r\'\\d+\')

result_iter1 = pattern.finditer(\'hello 123456 789\')
result_iter2 = pattern.finditer(\'one1two2three3four4\', 0, 10)

print type(result_iter1)
print type(result_iter2)

print \'result1...\'
for m1 in result_iter1:   # m1 是 Match 对象
    print \'matching string: {}, position: {}\'.format(m1.group(), m1.span())

print \'result2...\'
for m2 in result_iter2:
    print \'matching string: {}, position: {}\'.format(m2.group(), m2.span())
执行结果:

<type \'callable-iterator\'>
<type \'callable-iterator\'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)

2.2.5、spilt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
p = re.compile(r\'[\\s\\,\\;]+\')
print p.split(\'a,b;; c   d\')
执行结果:

[\'a\', \'b\', \'c\', \'d\']

2.2.6、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
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\' 替换 \'hello 123\' 和 \'hello 456\'
print p.sub(r\'\\2 \\1\', s)        # 引用分组

def func(m):
    return \'hi\' + \' \' + m.group(2)

print p.sub(func, s)
print p.sub(func, s, 1)         # 最多替换一次
执行结果:

hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456

2.2.7、匹配中文

假设现在想把字符串 title = u\'你好,hello,世界\' 中的中文提取出来,可以这么做:

import re

title = u\'你好,hello,世界\'
pattern = re.compile(ur\'[\\u4e00-\\u9fa5]+\')
result = pattern.findall(title)

print result

正则表达式前面加上了两个前缀 ur,其中 r 表示使用原始字符串,u 表示是 unicode 字符串。 执行结果: [u\'\\u4f60\\u597d\', u\'\\u4e16\\u754c\']

3、贪婪模式与非贪婪模式

  • 贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配 ( * );
  • 非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配 ( ? );
  • Python里数量词默认是贪婪的。

例1 : 源字符串:abbbc

使用贪婪的数量词的正则表达式 ab* ,匹配结果: abbb。
* 决定了尽可能多匹配 b,所以a后面所有的 b 都出现了。

使用非贪婪的数量词的正则表达式ab*?,匹配结果: a。
即使前面有 *,但是 ? 决定了尽可能少匹配 b,所以没有 b。

例2: 源字符串:aa<div>test1</div>bb<div>test2</div>cc

使用贪婪的数量词的正则表达式:<div>.*</div>

匹配结果:<div>test1</div>bb<div>test2</div>

这里采用的是贪婪模式。在匹配到第一个“</div>”时已经可以使整个表达式匹配成功,但是由于采用的是贪婪模式,所以仍然要向右尝试匹配,查看是否还有更长的可以成功匹配的子串。匹配到第二个“</div>”后,向右再没有可以成功匹配的子串,匹配结束,匹配结果为“<div>test1</div>bb<div>test2</div>”

4、正则表达式测试网址

5、正则表达式爬虫案例:

5.1、目标:爬取内涵段子网站: http://www.neihan8.com/article/list_5_1.html  

5.2、获取数据:

5.2.1、需要一个加载页面的方法

统一定义一个类,将url请求作为一个成员方法处理。
创建一个文件,叫duanzi_spider.py
然后定义一个Spider类,并且添加一个加载页面的成员方法

import urllib2

class Spider:
    """
        内涵段子爬虫类
    """
    def loadPage(self, page):
        """
            @brief 定义一个url请求网页的方法
            @param page 需要请求的第几页
            @returns 返回的页面html
        """

    url = "http://www.neihan8.com/article/list_5_" + str(page) + ".html"
    #User-Agent头
    user_agent = \'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT;6.1; Trident/5.0\')

    headers = {\'User-Agent\': user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    html = response.read()
    print html

    #return html

5.2.2、 写main函数测试一个loadPage方法

if __name__ == \'__main__\':
    """
        ======================
            内涵段子小爬虫
        ======================
    """
    print \'请按下回车开始\'
    raw_input()

    #定义一个Spider对象
    mySpider = Spider()
    mySpider.loadpage(1)
程序正常执行的话,我们会在屏幕上打印了内涵段子第一页的全部html代码。 但是我们发现,html中的中文部分显示的可能是乱码 。

5.2.3、乱码问题解决办法

对源码进行处理:
def loadPage(self, page):
    """
        @brief 定义一个url请求网页的方法
        @param page 需要请求的第几页
        @returns 返回的页面html
    """

    url = "http://www.neihan8.com/article/list_5_" + str(page) + ".html"
    #User-Agent头
    user_agent = \'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT;6.1; Trident/5.0\')
    headers = {\'User-Agent\': user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    html = response.read()
    gbk_html = html.decode(\'gbk\').encode(\'utf-8\')
    # print gbk_html
    return gbk_html

注意 :对于每个网站对中文的编码各自不同,所以html.decode(‘gbk’)的写法并不是通用写法,根据网站的编码而异

5.3、筛选数据

  • 首先:import re
  • 然后, 在得到的gbk_html中进行筛选匹配
  • 编写匹配规则
def loadPage(self, page):
    """
        @brief 定义一个url请求网页的方法
        @param page 需要请求的第几页
        @returns 返回的页面html
    """

    url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
    #User-Agent头
    user_agent = \'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0\'
    headers = {\'User-Agent\': user_agent}
    req = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(req)
    html = response.read()
    gbk_html = html.decode(\'gbk\').encode(\'utf-8\')

    #找到所有的段子内容<div class = "f18 mb20"></div>
    #re.S 如果没有re.S 则是只匹配一行有没有符合规则的字符串,如果没有则下一行重新匹配
    # 如果加上re.S 则是将所有的字符串将一个整体进行匹配
    pattern = re.compile(r\'<div.*?class="f18 mb20">(.*?)</div>\', re.S)
    item_list = pattern.findall(gbk_html)

    return item_list


def printOnePage(self, item_list, page):
    """
        @brief 处理得到的段子列表
        @param item_list 得到的段子列表
        @param page 处理第几页
    """

    print "******* 第 %d 页 爬取完毕...*******" %page
    for item in item_list:
        print "================"
        print ite
这里需要注意一个是re.S是正则表达式中匹配的一个参数。

如果 没有re.S 则是 只匹配一行 有没有符合规则的字符串,如果没有则下一行重新匹配。

如果 加上re.S 则是将 所有的字符串 将一个整体进行匹配,findall 将所有匹配到的结果封装到一个list中。
然后我们写了一个遍历item_list的一个方法 printOnePage() 。 ok程序写到这,我们再一次执行一下。
Power@PowerMac ~$ python duanzi_spider.py
我们第一页的全部段子,不包含其他信息全部的打印了出来。

你会发现段子中有很多 <p> , </p> 很是不舒服,实际上这个是html的一种段落的标签。
在浏览器上看不出来,但是如果按照文本打印会有<p>出现,那么我们只需要把我们不希望的内容去掉即可了。

我们可以如下简单修改一下 printOnePage().

def printOnePage(self, item_list, page):
    """
        @brief 处理得到的段子列表
        @param item_list 得到的段子列表
        @param page 处理第几页
    """

    print "******* 第 %d 页 爬取完毕...*******" %page
    for item in item_list:
        print "================"
        item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")
        print item

5.4、保存数据

def writeToFile(self, text):
\'\'\'
    @brief 将数据追加写进文件中
    @param text 文件内容
\'\'\'
    myFile = open("./duanzi.txt", \'a\') #追加形式打开文件
    myFile.write(text)
    myFile.write("---------------------------------------------
--------")
    myFile.close()
然后我们将print的语句 改成writeToFile() ,当前页面的所有段子就存在了本地的MyStory.txt文件中。
def printOnePage(self, item_list, page):
\'\'\'
    @brief 处理得到的段子列表
    @param item_list 得到的段子列表
    @param page 处理第几页
\'\'\'
    print "******* 第 %d 页 爬取完毕...*******" %page
    for item in item_list:
        # print "================"
        item = item.replace("<p>", "").replace("</p>", "").repl
ace("<br />", "")
        # print item
        self.writeToFile(item)

5.5、显示数据

def doWork(self):
\'\'\'
    让爬虫开始工作
\'\'\'
    while self.enable:
        try:
            item_list = self.loadPage(self.page)
        except urllib2.URLError, e:
            print e.reason
            continue

        #对得到的段子item_list处理
        self.printOnePage(item_list, self.page)
        self.page += 1 #此页处理完毕,处理下一页
        print "按回车继续..."
        print "输入 quit 退出"
        command = raw_input()
        if (command == "quit"):
            self.enable = False
            break

  

 

以上是关于Python爬虫开发第1篇正则表达式的主要内容,如果未能解决你的问题,请参考以下文章

Python从零开始写爬虫-2 使用正则表达式解析HTML

系统进阶学习python,爬虫,网页设计,正则表达式(附源代码)

Python爬虫开发第1篇动态HTMLSeleniumPhantomJS

00Python爬虫初次开发

python 爬虫入门之正则表达式 一

Python爬虫开发第1篇爬虫案例