Python爬虫基础-5（正则表达式）

正则表达式基础

Python支持的正则表达式元字符和语法：

语法

语法	说明	表达式实例	完整匹配的字符串
	字符
一般字符	匹配自身	abc	abc
.	匹配除换行符”\n”之外的任意字符	a.c	abc
\	转义字符，使后一个字符改变原来的意思	a\\c	a\c
[…]	1、字符集。对应的位置可以是字符集中的任意字符。	a[bcd]e	abe
	2、字符集中的字符可以逐个列出，也可以给出范围，如[abc]或[a-c]。		ace
	3、第一个字符如果是^表示取反，如[^abc]表示不是abc的其他字符。		ade
	4、所有特殊字符在字符集中都失去原有的特殊含义
	5、在字符集中如果使用]、-、^时，可以在前面加上反斜杠
	或把 ]、-放在第一个字符，把^放在非第一个字符
	预定义字符集（可写在字符集[…]中）
\d	数字：[0-9]	a\dc	a1c
\D	非数字：[^\d]	a\Dc	abc
\s	空白字符：[<空格>\t\r\n\f\v]	a\sc	a c
\S	非空白字符：[^\s]	a\Sc	abc
\w	单词字符：[A-Za-Z0-9_]	a\wc	a_c
\W	非单词字符：[^\w]	a\Wc	a c
	数量词（用在字符或(…)之后）
*	匹配前一个字符0次或无限次	abc*	ab or abccc
+	匹配前一个字符1次或无限次	abc+	abc or abccc
?	匹配前一个字符0次或1次	abc?	ab or abc
{m}	匹配前一个字符m次	a{3}bc	aaabc
{m,n}	匹配前一个字符m至n次.省略m即{,n},匹配0到n次,省略n即{m,},匹配m到无限次	a{1,2}bc	abc or aabc
*? +? ?? {m,n}?	使*、+、?、{m,n}变成非贪婪模式
	边界匹配（不消耗待匹配字符串中的字符）
^	匹配字符串的开头，在多行模式中匹配每一行的开头	^abc	abc
$	匹配字符串的末尾，在多行模式中匹配每一行的末尾	$abc	abc
\A	仅匹配字符串开头	\Aabc	abc
\Z	仅匹配字符串末尾	abc\Z	abc
\b	匹配\w和\W之间,即单词字符和非单词字符之间,例如单词和空格间的位置	a\b!bc	a!bc
\B	[^\b]	a\Bbc	abc
	逻辑、分组
|	|代表左右表达式任意匹配一个。先尝试匹配左边的表达式，成功则跳过匹配。	abc|def	abc
	如果|没有被包含在()中,则它的范围是整个正则表达式		def
(…)	1、被括起来的表达式将作为分组，从表达式左边开始每遇到一个	(abc){2}	abcabc
	分组的左括号’(‘，编号+1。	a(123|456)c	a123c
	2、分组作为一个整体，可以后接数量词。
	3、表达式中的|仅在该分组中有效
(?P< name>…)	分组，除了原有的编号外再指定一个额外的别名	(?P< id>abc){2}	abcabc
\< number>	引用编号为< number>的分组匹配到的字符串	(\d)abc\1	1abc1 or 7abc7
(?P=name)	引用别名为< name>的分组匹配到的字符串	(?P< id>\d)abc(?P=id)	1abc1 or 7abc7
	特殊构造（不作为分组）
(?:…)	(…)的不分组版本，用于使用|或后接数量词	(?:abc){2}	abcabc
(?:iLmsux)	iLmsux的每个字符代表一个匹配模式，只能用在正则表达式的开头	(?i)abc	AbC
	可选多个
(?#…)	后的内容将作为注释被忽略	abc(?#comment)123	abc123
(?=…)	之后的字符串内容需要匹配表达式才能成功匹配,不消耗字符串内容	a(?=\d)	后面是数字的a
(?!…)	之后的字符串内容需要不匹配表达式才能成功匹配,不消耗字符串内容	a(?!\d)	后面不是数字的a
(?<=…)	之前的字符串内容需要匹配表达式才能成功匹配,不消耗字符串内容	(?<=\d)a	前面是数字的a
(?	之前的字符串内容需要不匹配表达式才能成功匹配,不消耗字符串内容	(?	前面不是数字的a
(?(id/name)yes-pattern|no-pattern)	如果编号为id或者别名为name的分组匹配到字符，则需要匹配yes-pattern，	(\d)abc(?(1)\d|abc)	1abc2
	否则需要匹配no-pattern。no-pattern可以省略。		abcabc

数量词的贪婪与非贪婪模式

贪婪模式总是尝试匹配尽可能多的字符，非贪婪模式总是尝试匹配尽肯能少的字符，在Python中，数量词默认是贪婪的。
如：”ab*”用于查找abbbc，将找到abbb，”ab*?”将找到a。

re模块

python通过re模块支持正则表达式
使用re一般步骤为：

1.先将正则表达式的字符串形式编译为Pattern实例
2.然后使用Pattern实例处理文本并获取匹配的结果（一个Match实例）
3.最后使用Match实例获得信息，进行其他的操作

# -*- coding: utf-8 -*-
#一个简单的re实例，匹配字符串中的hello字符串  

import re #导入re模块 

# 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串” 
pattern = re.compile(r'hello')  

# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None 
match1 = pattern.match('hello world!') 
match2 = pattern.match('helloo world!') 
match3 = pattern.match('helllo world!')  

#如果match1匹配成功  
if match1:
    # 使用Match获得分组信息  
    print match1.group()  
else:  
    print 'match1匹配失败！'  

#如果match2匹配成功  
if match2:  
    # 使用Match获得分组信息  
    print match2.group()  
else:  
    print 'match2匹配失败！'  

#如果match3匹配成功  
if match3:  
    # 使用Match获得分组信息  
    print match3.group()  
else:  
    print 'match3匹配失败！'

compile

re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。第二个参数flag是匹配模式，取值可以使用按位或运算符’|’表示同时生效，比如re.I | re.M。另外，也可以在regex字符串中指定模式，比如re.compile(‘pattern’, re.I | re.M)与re.compile(‘(?im)pattern’)是等价的。
可选值有：

re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
re.M(全拼：MULTILINE): 多行模式，改变’^’和’$’的行为（参见上表）
re.S(全拼：DOTALL): 点任意匹配模式，改变’.’的行为
re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

以下两个正则表达式是等价的：

# -*- coding: utf-8 -*-  
#两个等价的re匹配,匹配一个小数  
import re  

a = re.compile(r"""\d +  # the integral part 
                   \.    # the decimal point 
                   \d *  # some fractional digits""", re.X)  

b = re.compile(r"\d+\.\d*")  

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回

Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。
属性：

1.string: 匹配时使用的文本
2.re: 匹配时使用的Pattern对象。
3.pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4.endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5.lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

1.group([group1, …])：获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
2.groups([default])：以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
3.groupdict([default])：返回已有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
4.start([group])： 返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
5.end([group])：返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
6.span([group])：返回(start(group), end(group))。
7.expand(template)： 将匹配到的分组代入template中然后返回。template中可以使用\id或\g< id>、\g< name>引用分组，但不能使用编号0。\id与\g< id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符’0’，只能使用\g<1>0。

# -*- coding: utf-8 -*-  
#一个简单的match实例  

import re  
# 匹配如下内容：单词+空格+单词+任意字符  
m = re.match(r'(\w+) (\w+)(?P.*)', 'hello world!')  

print "m.string:", m.string  
print "m.re:", m.re  
print "m.pos:", m.pos  
print "m.endpos:", m.endpos  
print "m.lastindex:", m.lastindex  
print "m.lastgroup:", m.lastgroup  

print "m.group():", m.group()  
print "m.group(1,2):", m.group(1, 2)  
print "m.groups():", m.groups()  
print "m.groupdict():", m.groupdict()  
print "m.start(2):", m.start(2)  
print "m.end(2):", m.end(2)  
print "m.span(2):", m.span(2)  
print r"m.expand(r'\g<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')  

### output ###  
# m.string: hello world!  
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>  
# m.pos: 0  
# m.endpos: 12  
# m.lastindex: 3  
# m.lastgroup: sign  
# m.group(1,2): ('hello', 'world')  
# m.groups(): ('hello', 'world', '!')  
# m.groupdict(): {'sign': '!'}  
# m.start(2): 6  
# m.end(2): 11  
# m.span(2): (6, 11)  
# m.expand(r'\2 \1\3'): world hello!  

Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。Pattern不能直接实例化，必须使用re.compile()进行构造，也就是re.compile()返回的对象。Pattern提供了几个可读属性用于获取表达式的相关信息：

1.pattern: 编译时用的表达式字符串。
2.flags: 编译时用的匹配模式。数字形式。
3.groups: 表达式中分组的数量。
4.groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

# -*- coding: utf-8 -*-  
#一个简单的pattern实例  

import re  
p = re.compile(r'(\w+) (\w+)(?P.*)', re.DOTALL)  

print "p.pattern:", p.pattern  
print "p.flags:", p.flags  
print "p.groups:", p.groups  
print "p.groupindex:", p.groupindex  

### output ###  
# p.pattern: (\w+) (\w+)(?P.*)  
# p.flags: 16  
# p.groups: 3  
# p.groupindex: {'sign': 3}  

pattern的实例方法及其使用：

match

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])：

这个方法将从string的pos下标处起尝试匹配pattern,如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。

pos和endpos的默认值分别为0和len(string)；

注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符’$’。

# encoding: UTF-8  
import re  

# 将正则表达式编译成Pattern对象  
pattern = re.compile(r'hello')  

# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None  
match = pattern.match('hello world!')  

if match:  
    # 使用Match获得分组信息  
    print match.group()  

### 输出 ###  
# hello  

search

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):

这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。pos和endpos的默认值分别为0和len(string))。

和match的区别:

match()函数只检测re是不是在string的开始位置匹配；
search()会扫描整个string查找匹配。

match()只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回none
例如：
print(re.match(‘super’, ‘superstition’).span())
会返回(0, 5)
print(re.match(‘super’, ‘insuperable’))
则返回None

search()会扫描整个字符串并返回第一个成功的匹配
例如：
print(re.search(‘super’, ‘superstition’).span())
返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())
返回(2, 7)

split

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):

按照能够匹配的子串将string分割后返回列表。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'\d+')  
print p.split('one1two2three3four4')  

### output ###  
# ['one', 'two', 'three', 'four', '']  

findall

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):

搜索string，以列表形式返回全部能匹配的子串。

import re  

p = re.compile(r'\d+')  
print p.findall('one1two2three3four4')  

### output ###  
# ['1', '2', '3', '4']  

finditer

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):

搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

import re  

p = re.compile(r'\d+')  
for m in p.finditer('one1two2three3four4'):  
    print m.group(),  

### output ###  
# 1 2 3 4  

sub

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):

使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g< id>、\g< name>引用分组，但不能使用编号0。当repl是一个方法时，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+)')  
s = 'i say, hello world!'  

print p.sub(r'\2 \1', s)  

def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  

print p.sub(func, s)  

### output ###  
# say i, world hello!  
# I Say, Hello World!  

subn

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):

返回 (sub(repl, string[, count]), 替换次数)。

import re  

p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  

print p.subn(r'\2 \1', s)  

def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  

print p.subn(func, s)  

### output ###  
# ('say i, world hello!', 2)  
# ('I Say, Hello World!', 2)