常见的爬虫分析库-Python正则表达式与re模块

Posted brucelong

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了常见的爬虫分析库-Python正则表达式与re模块相关的知识，希望对你有一定的参考价值。

在线正则表达式测试

http://tool.oschina.net/regex/

常见匹配模式

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 [ 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
 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
匹配一个换行符
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.match

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。

1
re.match(pattern, string, flags=0)

最常规的匹配

1
2
3
4
5
6
7
8
import re
 
content = ‘Hello 123 4567 World_This is a Regex Demo‘
print(len(content))
result = re.match(‘^Hellosdddsd{4}sw{10}.*Demo$‘, content)
print(result)
print(result.group())
print(result.span())
 
41
<_sre.SRE_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)

泛匹配

1
2
3
4
5
6
7
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())
 
<_sre.SRE_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)

匹配目标

1
2
3
4
5
6
7
import re
 
content = ‘Hello 1234567 World_This is a Regex Demo‘
result = re.match(‘^Hellos(d+)sWorld.*Demo$‘, content)
print(result)
print(result.group(1))
print(result.span())
 
<_sre.SRE_Match object; span=(0, 40), match=‘Hello 1234567 World_This is a Regex Demo‘>
1234567
(0, 40)

贪婪匹配

1
2
3
4
5
6
import re
 
content = ‘Hello 1234567 World_This is a Regex Demo‘
result = re.match(‘^He.*(d+).*Demo$‘, content)
print(result)
print(result.group(1))
 
<_sre.SRE_Match object; span=(0, 40), match=‘Hello 1234567 World_This is a Regex Demo‘>
7

非贪婪匹配

1
2
3
4
5
6
import re
 
content = ‘Hello 1234567 World_This is a Regex Demo‘
result = re.match(‘^He.*?(d+).*Demo$‘, content)
print(result)
print(result.group(1))
 
<_sre.SRE_Match object; span=(0, 40), match=‘Hello 1234567 World_This is a Regex Demo‘>
1234567

匹配模式

1
2
3
4
5
6
7
import re
 
content = ‘‘‘Hello 1234567 World_This
is a Regex Demo
‘‘‘
result = re.match(‘^He.*?(d+).*?Demo$‘, content, re.S)
print(result.group(1))
 
1234567

转义

1
2
3
4
5
import re
 
content = ‘price is $5.00‘
result = re.match(‘price is $5.00‘, content)
print(result)
 
None
1
2
3
4
5
import re
 
content = ‘price is $5.00‘
result = re.match(‘price is $5.00‘, content)
print(result)
 
<_sre.SRE_Match object; span=(0, 14), match=‘price is $5.00‘>

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

re.search

re.search 扫描整个字符串并返回第一个成功的匹配。

1
2
3
4
5
import re
 
content = ‘Extra stings Hello 1234567 World_This is a Regex Demo Extra stings‘
result = re.match(‘Hello.*?(d+).*?Demo‘, content)
print(result)
 
None
1
2
3
4
5
6
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))
 
<_sre.SRE_Match object; span=(13, 53), match=‘Hello 1234567 World_This is a Regex Demo‘>
1234567

总结：为匹配方便，能用search就不用match

匹配演练

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
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))
 
齐秦 往事随风
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
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>‘‘‘
result = re.search(‘<li.*?singer="(.*?)">(.*?)</a>‘, html, re.S)
if result:
    print(result.group(1), result.group(2))
 
任贤齐 沧海一声笑
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
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>‘‘‘
result = re.search(‘<li.*?singer="(.*?)">(.*?)</a>‘, html)
if result:
    print(result.group(1), result.group(2))
 
beyond 光辉岁月

re.findall

搜索字符串，以列表形式返回全部能匹配的子串。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
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])
技术分享图片 output
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
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.*?>s*?(<a.*?>)?(w+)(</a>)?s*?</li>‘, html, re.S)
print(results)
for result in results:
    print(result[1])
技术分享图片 output

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。

1
2
3
4
5
import re
 
content = ‘Extra stings Hello 1234567 World_This is a Regex Demo Extra stings‘
content = re.sub(‘d+‘, ‘‘, content)
print(content)
 
Extra stings Hello  World_This is a Regex Demo Extra stings
1
2
3
4
5
import re
 
content = ‘Extra stings Hello 1234567 World_This is a Regex Demo Extra stings‘
content = re.sub(‘d+‘, ‘Replacement‘, content)
print(content)
 
Extra stings Hello Replacement World_This is a Regex Demo Extra stings
1
2
3
4
5
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
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())
技术分享图片 output

re.compile

将正则字符串编译成正则表达式对象

将一个正则表达式串编译成正则对象，以便于复用该匹配模式:

1
2
3
4
5
6
7
8
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)
 
<_sre.SRE_Match object; span=(0, 40), match=‘Hello 1234567 World_This
is a Regex Demo‘>

实战练习

源码在git上：https://gitee.com/longlovemeng/Spider.git

以上是关于常见的爬虫分析库-Python正则表达式与re模块的主要内容，如果未能解决你的问题，请参考以下文章

python网络爬虫与信息提取——6.Re（正则表达式）库入门

爬虫学习 ----- 第二章 爬取静态网站 ---------- 01 . re 模块学习 ---- python的re库

py爬虫 —— py爬虫基础re库

妙用正则表达式--Python中的re模块

Python数据分析学习-re正则表达式模块

06 Python爬虫之Re(正则表达式)库