数据解析之正则表达式和re模块

什么是正则表达式:

通俗理解:按照一定的规则,从某个字符串中匹配出想要的数据。这个规则就是正则表达式。
标准答案:https://baike.baidu.com/item/正则表达式/1700215?fr=aladdin

特殊字符:

^ $ . * ? + {2} {2,} {2,5} |
[] [^] [a-zA-Z]
/s /S /w /W /d /D

正则表达式常用匹配规则:

匹配某个字符串使用 match 函数,输出匹配到的字符使用 group() 函数 :

text = 'hello'
ret = re.match('he',text)
print(ret.group())

>> he

以上便可以在hello中,匹配出he

^(脱字号):代表以什么开始(不在中括号)或者取反(在中括号)

text = "hello"
# 匹配开头是h的字符
ret = re.match('^h',text)
# 匹配不是e的字符
ret_two = re.match('[^e]+',text)
print(ret.group())
print(ret_two .group())

>>


如果是在中括号中,那么代表的是取反操作.

$:表示以...结束:

# 匹配163.com的邮箱
text = "[email protected]"
ret = re.search('\w+@163\.com$',text)
print(ret.group())

>> [email protected]

|:匹配多个表达式或者字符串:

text = "hello|world"
ret = re.search('hello',text)
print(ret.group())

>> hello

点(.)匹配任意的字符:

text = "ab"
ret = re.match('.',text)
print(ret.group())

>> a

但是点(.)不能匹配不到换行符。示例代码如下:

text = "ab"
ret = re.match('.',text)
print(ret.group())

>> AttributeError: 'NoneType' object has no attribute 'group'

\d匹配任意的数字:

text = "123"
ret = re.match('\d',text)
print(ret.group())

>> 1

\D匹配任意的非数字:

text = "a"
ret = re.match('\D',text)
print(ret.group())

>> a

而如果text是等于一个数字,那么就匹配不成功了。示例代码如下:

text = "1"
ret = re.match('\D',text)
print(ret.group())

>> AttributeError: 'NoneType' object has no attribute 'group'

\s匹配的是空白字符(包括:\n,\t,\r和空格):

text = "\t"
ret = re.match('\s',text)
print(ret.group())

>> 空白

\w匹配的是a-zA-Z以及数字和下划线:

text = "_"
ret = re.match('\w',text)
print(ret.group())

>> _

而如果要匹配一个其他的字符,那么就匹配不到。示例代码如下:

text = "+"
ret = re.match('\w',text)
print(ret.group())

>> AttributeError: 'NoneType' object has no attribute

\W匹配的是和\w相反的:

text = "+"
ret = re.match('\W',text)
print(ret.group())

>> +

而如果你的text是一个下划线或者英文字符,那么就匹配不到了。示例代码如下:

text = "_"
ret = re.match('\W',text)
print(ret.group())

>> AttributeError: 'NoneType' object has no attribute

[]组合的方式,只要满足中括号中的某一项都算匹配成功:

text = "0731-88888888"
ret = re.match('[\d\-]+',text)
print(ret.group())

>> 0731-88888888

之前讲到的几种匹配规则,其实可以使用中括号的形式来进行替代:

  • \d:[0-9]
  • \D:[^0-9]
  • \w:[0-9a-zA-Z_]
  • \W:[^0-9a-zA-Z_]

匹配多个字符:

  1. *:可以匹配0或者任意多个字符。示例代码如下:

     text = "0731"
     ret = re.match('\d*',text)
     print(ret.group())
    
     >> 0731
    

    以上因为匹配的要求是\d,那么就要求是数字,后面跟了一个星号,就可以匹配到0731这四个字符。

  2. +:可以匹配1个或者多个字符。最少一个。示例代码如下:

     text = "abc"
     ret = re.match('\w+',text)
     print(ret.group())
    
     >> abc
    

    因为匹配的是\w,那么就要求是英文字符,后面跟了一个加号,意味着最少要有一个满足\w的字符才能够匹配到。如果text是一个空白字符或者是一个不满足\w的字符,那么就会报错。示例代码如下:

     text = ""
     ret = re.match('\w+',text)
     print(ret.group())
    
     >> AttributeError: 'NoneType' object has no attribute
    
  3. ?:匹配的字符可以出现一次或者不出现(0或者1)。示例代码如下:

     text = "123"
     ret = re.match('\d?',text)
     print(ret.group())
    
     >> 1
    
  4. {m}:匹配m个字符。示例代码如下:

     text = "123"
     ret = re.match('\d{2}',text)
     print(ret.group())
    
     >> 12
    
  5. {m,n}:匹配m-n个字符。在这中间的字符都可以匹配到。示例代码如下:

     text = "123"
     ret = re.match('\d{1,2}',text)
     prit(ret.group())
    
     >> 12
    

    如果text只有一个字符,那么也可以匹配出来。示例代码如下:

     text = "1"
     ret = re.match('\d{1,2}',text)
     prit(ret.group())
    
     >> 1
    

小案例:

  1. 验证手机号码:手机号码的规则是以1开头,第二位可以是34587,后面那9位就可以随意了。示例代码如下:

     text = "18570631587"
     ret = re.match('1[34587]\d{9}',text)
     print(ret.group())
    
     >> 18570631587
    

    而如果是个不满足条件的手机号码。那么就匹配不到了。示例代码如下:

     text = "1857063158"
     ret = re.match('1[34587]\d{9}',text)
     print(ret.group())
    
     >> AttributeError: 'NoneType' object has no attribute
    
  2. 验证邮箱:邮箱的规则是邮箱名称是用数字、数字、下划线组成的,然后是@符号,后面就是域名了(使用\进行转义)。示例代码如下:

     text = "[email protected]"
     ret = re.match('\w+@[a-z0-9]+\.[a-z]+',text)
     print(ret.group())
    
  3. 验证URL:URL的规则是前面是http或者https或者是ftp然后再加上一个冒号,再加上一个斜杠,再后面就是可以出现任意非空白字符了。示例代码如下:

     text = "http://www.baidu.com/"
     ret = re.match('(http|https|ftp)://[^\s]+',text)
     print(ret.group())
    
  4. 验证身份证:身份证的规则是,总共有18位,前面17位都是数字,后面一位可以是数字,也可以是小写的x,也可以是大写的X。示例代码如下:

     text = '45080219960402123X'
     ret = re.match('\d{17}[\dxX]|\d{14}[\dxX]',text)
     print(ret.group())
    
    

贪婪模式和非贪婪模式:

贪婪模式:正则表达式会匹配尽量多的字符。默认是贪婪模式。
非贪婪模式:正则表达式会尽量少的匹配字符。
示例代码如下:

text = "0123456"
ret = re.match('\d+',text)
print(ret.group())
# 因为默认采用贪婪模式,所以会输出0123456

>> 0123456

可以改成非贪婪模式,那么就只会匹配到0。示例代码如下:

text = "0123456"
ret = re.match('\d+?',text)
print(ret.group())

案例:匹配0-100之间的数字:

text = '99'
ret = re.match('[1-9]?\d$|100$',text)
print(ret.group())

>> 99

而如果text=101,那么就会抛出一个异常。示例代码如下:

text = '101'
ret = re.match('[1-9]?\d$|100$',text)
print(ret.group())

>> AttributeError: 'NoneType' object has no attribute 'group'

转义字符和原生字符串:

在正则表达式中,有些字符是有特殊意义的字符。因此如果想要匹配这些字符,那么就必须使用反斜杠进行转义。比如$代表的是以...结尾,如果想要匹配$,那么就必须使用\$。示例代码如下:

text = "apple price is \$99,orange paice is $88"
ret = re.search('\$(\d+)',text)
print(ret.group())

>> $99

原生字符串:
在正则表达式中,\是专门用来做转义的。在Python中\也是用来做转义的。因此如果想要在普通的字符串中匹配出\,那么要给出四个\。示例代码如下:

text = "apple \c"
ret = re.search('\\\\c',text)

print(ret.group())

因此要使用原生字符串就可以解决这个问题:

text = "apple \c"
ret = re.search(r'\\c',text)
print(ret.group())

re模块中常用函数:

match:

从开始的位置进行匹配。如果开始的位置没有匹配到。就直接失败了。示例代码如下:

text = 'hello'
ret = re.match('h',text)
print(ret.group())

>> h

如果第一个字母不是h,那么就会失败。示例代码如下:

text = 'ahello'
ret = re.match('h',text)
print(ret.group())

>> AttributeError: 'NoneType' object has no attribute 'group'

如果想要匹配换行的数据,那么就要传入一个flag=re.DOTALL,就可以匹配换行符了。示例代码如下:

text = "abc\nabc"
ret = re.match('abc.*abc',text,re.DOTALL)
print(ret.group())

search:

在字符串中找满足条件的字符。如果找到,就返回。说白了,就是只会找到第一个满足条件的。

text = 'apple price $99 orange price $88'
ret = re.search('\d+',text)
print(ret.group())

>> 99

分组:

在正则表达式中,可以对过滤到的字符串进行分组。分组使用圆括号的方式。

  1. group:和group(0)是等价的,返回的是整个满足条件的字符串。
  2. groups:返回的是里面的子组。索引从1开始。
  3. group(1):返回的是第一个子组,可以传入多个。
    示例代码如下:
text = "apple price is $99,orange price is $10"
ret = re.search(r".*(\$\d+).*(\$\d+)",text)
print(ret.group())
print(ret.group(0))
print(ret.group(1))
print(ret.group(2))
print(ret.groups())

>>
apple price is $99,orange price is $10
apple price is $99,orange price is $10
$99
$10
('$99', '$10')

findall:

找出所有满足条件的,返回的是一个列表。

text = 'apple price $99 orange price $88'
ret = re.findall('\d+',text)
print(ret)

>> ['99', '88']

sub:

用来替换字符串。将匹配到的字符串替换为其他字符串。

text = 'apple price $99 orange price $88'
ret = re.sub('\d+','0',text)
print(ret)

>> apple price $0 orange price $0

sub函数的案例,获取拉勾网中的数据:

html = """

基本要求:

1、精通HTML5、CSS3、 JavaScript等Web前端开发技术,对html5页面适配充分了解,熟悉不同浏览器间的差异,熟练写出兼容各种浏览器的代码;

2、熟悉运用常见JS开发框架,如JQuery、vue、angular,能快速高效实现各种交互效果;

3、熟悉编写能够自动适应HTML5界面,能让网页格式自动适应各款各大小的手机;

4、利用HTML5相关技术开发移动平台、PC终端的前端页面,实现HTML5模板化;

5、熟悉手机端和PC端web实现的差异,有移动平台web前端开发经验,了解移动互联网产品和行业,有在Android,iOS等平台下HTML5+CSS+JavaScript(或移动JS框架)开发经验者优先考虑;6、良好的沟通能力和团队协作精神,对移动互联网行业有浓厚兴趣,有较强的研究能力和学习能力;

7、能够承担公司前端培训工作,对公司各业务线的前端(HTML5\CSS3)工作进行支撑和指导。


岗位职责:

1、利用html5及相关技术开发移动平台、微信、APP等前端页面,各类交互的实现;

2、持续的优化前端体验和页面响应速度,并保证兼容性和执行效率;

3、根据产品需求,分析并给出最优的页面前端结构解决方案;

4、协助后台及客户端开发人员完成功能开发和调试;

5、移动端主流浏览器的适配、移动端界面自适应研发。

""" ret = re.sub('',"",html) print(ret)

split:

使用正则表达式来分割字符串。

text = "hello world ni hao"
ret = re.split('\W',text)
print(ret)
>> ["hello","world","ni","hao"]

compile:

对于一些经常要用到的正则表达式,可以使用compile进行编译,后期再使用的时候可以直接拿过来用,执行效率会更快。而且compile还可以指定flag=re.VERBOSE,在写正则表达式的时候可以做好注释。示例代码如下:

text = "the number is 20.50"
r = re.compile(r"""
                \d+ # 小数点前面的数字
                \.? # 小数点
                \d* # 小数点后面的数字
                """,re.VERBOSE)
ret = re.search(r,text)
print(ret.group())

正则表达式实战抓取古诗文网页

import requests
import re
import json

# 正则表达式实战抓取古诗文网页


def parse_page(url):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
    }

    response = requests.get(url, headers=headers)
    text = response.text
    #  某个div下面
    # .* 多个任意字符  . 点号不能匹配到 \n 在后面加 re.DOTALL 可以让 . 点号匹配所有字符
    # 匹配个字符需要非贪婪模式 加 ?
    titles = re.findall(r'.*?(.*?)',text,re.DOTALL)
    dynasties = re.findall(r'.*?(.*?)',text,re.DOTALL)
    authors = re.findall(r'.*?.*?(.*?)',text,re.DOTALL)
    content_tags = re.findall(r'(.*?)
',text,re.DOTALL) contents = [] for content in content_tags: x = re.sub('<.*?>','',content) contents.append(x.strip()) peoms = [] for value in zip(titles,dynasties,authors,contents): title,dynasty,author,content = value peom = { 'title':title, 'dynasty':dynasty, 'author':author, 'content':content } peoms.append(peom) print("="*200) print(peoms) print("=" * 200) # json_peoms = json.dumps(peoms) # print(json_peoms.encode('utf-8').decode('utf-8')) def main(): # base_url = 'https://www.gushiwen.org/default_{}.aspx' # for x in range(1,100): # url = base_url.format(x) # parse_page(url) for x in range(1,101): url = 'https://www.gushiwen.org/default_%s.aspx' % x parse_page(url) if __name__ == '__main__': main()

正则表达式实战抓取糗事百科网页

import requests
import re
import json

# 正则表达式实战抓取糗事百科网页


def parse_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
    }

    response = requests.get(url, headers=headers)
    text = response.text
    #  某个div下面
    # .* 多个任意字符  . 点号不能匹配到 \n 在后面加 re.DOTALL 可以让 . 点号匹配所有字符
    # 匹配个字符需要非贪婪模式 加 ?


    imgs = re.findall(r'.*?', text, re.DOTALL)
    author_tags = re.findall(r'.*?

(.*?)

', text, re.DOTALL) authors = [] for author in author_tags: authors.append(author.strip()) articleGenders = re.findall(r'div\sclass="author\sclearfix">.*?(.*?)
', text, re.DOTALL) content_tags = re.findall(r'.*?(.*?)',text,re.DOTALL) contents = [] for content in content_tags: x = re.sub('<.*?>','',content) contents.append(x.strip()) statsVotes = re.findall(r'.*?.*?(.*?)', text, re.DOTALL) statsComments = re.findall(r'.*?.*?(.*?)', text, re.DOTALL) peoms = [] for value in zip(imgs,authors,articleGenders,contents,statsVotes,statsComments): img,author,articleGender,content,statsVote,statsComment = value peom = { 'img':img, 'author':author, 'articleGender':int(articleGender), 'content':content, 'statsVote':int(statsVote), 'statsComment':int(statsComment) } peoms.append(peom) print("="*200) print(peoms) print("=" * 200) json_peoms = json.dumps(peoms,ensure_ascii=False) with open('qsbk.json', 'w', encoding='utf-8') as fp: fp.write(json_peoms) print("=" * 200) print(json_peoms) print("=" * 200) # ensure_ascii=False 解码 Unicode # with open('qsbk.json','w',encoding='utf-8') as fp: # 转换为文件 # json.dump(peoms,fp,ensure_ascii=False) # 将python对象转换成json字符串 # json.dump json.dumps # 将json字符串转换成python对象 # json.load json.loads def main(): # base_url = 'https://www.qiushibaike.com/8hr/page/{}/' # for x in range(1,14): # url = base_url.format(x) # parse_page(url) for x in range(1,14): url = 'https://www.qiushibaike.com/8hr/page/%s/' % x parse_page(url) if __name__ == '__main__': main()

上一篇:数据解析之BeautifulSoup4解析库
下一篇:数据存储之json文件处理和csv文件处理

你可能感兴趣的:(数据解析之正则表达式和re模块)