Python 爬虫从入门到进阶之路（八）

在之前的文章中我们介绍了一下 requests 模块，今天我们再来看一下 Python 爬虫中的正则表达的使用和 re 模块。

实际上爬虫一共就四个主要步骤：

1. 明确目标 (要知道你准备在哪个范围或者网站去搜索)
2. 爬 (将所有的网站的内容全部爬下来)
3. 取 (去掉对我们没用处的数据)
4. 处理数据（按照我们想要的方式存储和使用）

我们在之前写的爬虫程序中，都只是获取到了页面的全部内容，也就是只进行到了第2步，但是大部分的东西是我们不关心的，因此我们需要将之按我们的需要过滤和匹配出来。这时候我们就需要用到了正则表达式。

什么是正则表达式

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

 

正则表达式匹配规则

Python 的 re 模块

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀，如下：

r'python\t\.\tpython'

re 模块的一般使用步骤如下：

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

compile 函数

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：

1 import re
2
3 # 将正则表达式编译成 Pattern 对象
4 pattern = re.compile(r'\d+')

在上面，我们已将一个正则表达式编译成 Pattern 对象，接下来，我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。

Pattern 对象的一些常用方法主要有：

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：

match(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)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

 1 import re
 2
 3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
 4
 5 str = 'abc123def456'
 6
 7 p = pattern.match(str)  # 查找头部，没有匹配
 8 print(p)  # None
 9
10 p = pattern.match(str, 2, 9)  # 从'c'的位置开始匹配，没有匹配
11 print(p)  # None
12
13 p = pattern.match(str, 3, 9)  # 从'4'的位置开始匹配，正好匹配, 返回一个 Match 对象
14 print(p)  # <re.Match object; span=(3, 6), match='123'>
15
16 p = p.group(0)  # 可省略 0
17 print(p)  # 123
18
19 p = p.start(0)  # 可省略 0
20 print(p)  # 3
21
22 p = p.end(0)  # 可省略 0
23 print(p)  # 6
24
25 p = p.span(0)  # 可省略 0
26 print(p)  # (3, 6)

在上面，当匹配成功时返回一个 Match 对象，其中：

• 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))。

我们再来看一下具体用法：

 1 import re
 2
 3 pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # 用于匹配至少一个字母, re.I 表示忽略大小写
 4
 5 str = 'Hello world hello Python'
 6
 7 p = pattern.match(str)  # 查找头部，匹配成功，返回一个 Match 对象
 8 print(p)  # <re.Match object; span=(0, 11), match='Hello world'>
 9
10 p = p.group(0)  # 返回匹配成功的整个子串
11 print(p)  # Hello world
12
13 p = p.group(1)  # 返回第一个分组匹配成功的子串
14 print(p)  # Hello
15 p = p.group(2)  # 返回第二个分组匹配成功的子串
16 print(p)  # world
17 p = p.group(3)  # 不存在第三个分组
18 print(p)  # IndexError: no such group
19
20 p = p.span(0)  # 返回匹配成功的整个子串的索引
21 print(p)  # (0, 11)
22 p = p.span(1)  # 返回第一个分组匹配成功的子串的索引
23 print(p)  # (0, 5)
24 p = p.span(2)  # 返回第二个分组匹配成功的子串的索引
25 print(p)  # (6, 11)
26 p = p.span(3)  # 不存在第三个分组
27 print(p)  # IndexError: no such group
28
29 p = p.start(0)  # 返回匹配成功的整个子串的开始下标
30 print(p)  # 0
31 p = p.end(0)  # 返回匹配成功的整个子串的结束下标
32 print(p)  # 11
33 p = p.start(1)  # 返回第一个分组匹配成功的子串的开始下标
34 print(p)  # 0
35 p = p.end(1)  # 返回第一个分组匹配成功的子串的结束下标
36 print(p)  # 5
37 p = p.start(2)  # 返回第二个分组匹配成功的子串的开始下标
38 print(p)  # 6
39 p = p.end(2)  # 返回第二个分组匹配成功的子串的结束下标
40 print(p)  # 11
41 p = p.start(3)  # 返回第三个分组匹配成功的子串的开始下标
42 print(p)  # IndexError: no such group
43 p = p.end(3)  # 返回第三个分组匹配成功的子串的结束下标
44 print(p)  # IndexError: no such group
45
46 p = p.groups()  # 等价于 (m.group(1), m.group(2), ...)
47 print(p)  # ('Hello', 'world')

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。

 1 import re
 2
 3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
 4
 5 str = 'abc123def456'
 6
 7 p = pattern.search(str)  # 查找头部，匹配成功，返回一个 Match 对象
 8 print(p)  # <re.Match object; span=(3, 6), match='123'>
 9
10 p = pattern.search(str, 1, 3)  # 指定区间, 匹配失败，返回一个 None
11 print(p)  # None
12
13 p = pattern.search(str, 8, 10)  # 指定区间, 匹配成功，返回一个 Match 对象
14 print(p)  # <re.Match object; span=(9, 10), match='4'>

findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，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。

 1 import re
 2
 3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
 4
 5 str = 'abc123def456'
 6
 7 p = pattern.findall(str)  # 返回一个列表对象
 8 print(p)  # ['123', '456']
 9
10 p = pattern.findall(str, 1, 3)  # 返回一个列表对象
11 print(p)  # []

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。

 1 import re
 2
 3 pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
 4
 5 str = 'abc123def456'
 6
 7 p = pattern.finditer(str)  # 返回一个 Match 对象
 8 print(p)  # <callable_iterator object at 0x1054eb400>
 9
10 p = pattern.finditer(str, 1, 3)  # 返回一个 Match 对象
11 print(p)  # <callable_iterator object at 0x10552e358>

在实际中我们很少应用 finditer 方法，因为我们还需要对获取的 Match 对象进行进一步处理，如循环，group() 等来获取直观数据。

split 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。

1 import re
2
3 pattern = re.compile(r'[\s\,\;]+') # 匹配至少一个空格和 ;
4
5 str = 'a,b;; c   d'
6
7 p = pattern.split(str)
8 print(p)  # ['a', 'b', 'c', 'd']

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。

 1 import re
 2
 3 pattern = re.compile(r'(\w+) (\w+)', re.I)  # \w = [A-Za-z0-9]
 4
 5 str = 'Hello 123, hello 456'
 6
 7 p = pattern.sub(r'hello World', str)  # 使用 'hello World' 替换 'Hello 123' 和 'hello 456'
 8 print(p)  # hello World, hello World
 9
10 p = pattern.sub(r'hello World', str, 1)  # 使用 'hello World' 替换 'Hello 123', 1 表示最多替换一次
11 print(p)  # hello World, hello 456