解析网页--正则表达式--python爬虫知识点4

• 爬虫要求不高，如果你写的表达式很复杂就说明该网站并不适合用正则来处理
• 掌握基础

一、正则表达式的简介

概念

• 正则表达式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
• 特殊符号组合在一起的一个字符串，对你预知的一个字符串做一个验证，验证字符串的“机器、锁”
• 逻辑就是对事物观察分析后概括判断后的结果

应用场景

• 爬虫
• 表达验证(例如 : 手机号、邮箱、身份证… )
  • 登入网站app的时候填入的个人信息进行验证

二、正则表达式的使用

在python当中有一个内置模块re专门用来实现正则表达式

（一）re模块常用方法

• pattern：正则表达式的模板
• string：表示要匹配、检验的字符串数据
• flags：标致位，匹配的方式，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，多行匹配re.S
  

match()

在文本内查找，返回第一个匹配到的字符串

• match(pattern, string, flags=0)
  • 有返回值，如果匹配成功了就返回一个match对象，否则返回一个None
    如果不是空性的值一定是返回true，空性的0或者None
  • 以开头开始匹配，如果开头不符合就会报错

search()

在文本内查找，返回第一个匹配到的字符串

• search(pattern, string, flags=0)
  • 它的返回值类型和使用方法与match()是一样的，唯一的区别就是search()查找的位置不用固定在文本的开头

findall()

在文本内查找，返回所有匹配到的字符串

• findall(pattern, string, flags=0)
• 返回列表
  • 全文查找，它的返回值是一个匹配到的字符串的列表。这个列表没有group()方法，没有start、end、span，更不是一个匹配对象，仅仅是个列表！如果一项都没有匹配到那么返回一个空列表
  • 作为re模块的三大搜索函数之一，findall()和match()、search()
  • 不同之处在于，match()、search()都是单值匹配，找到一个就忽略后面，直接返回不再查找了。而findall是全文查找

compile()

将字符串转化为Pattern

• compile(pattern, flags=0)
  • ⽤于将字符串形式的正则表达式编译为Pattern模式对象，可以实现更加效率的匹配。
  • 返回对象，类似高阶函数的返回对象
  • 第二个参数flag是匹配模式 使用compile()完成一次转换后，再次使用该匹配模式的时候就不能进行转换了。
  • 经过compile()转换的正则表达式对象就可以当成模板使用
    

split()

分割字符串

• split(pattern, string, maxsplit=0, flags=0)
  • 分割字符串
  • 返回列表
  • maxsplit：用于指定分割的次数，剪断的次数
  • re模块的split()方法和字符串的split()方法很相似，都是利用特定的字符去分割字符串。re模块的split()可以使用正则表达式，因此更灵活，更强大
    

sub()

指定替换次数

• sub(pattern, repl, string, count=0, flags=0)
  • sub()方法类似字符串的replace()方法，用指定的内容替换匹配到的字符，可以指定替换次数

分组模式group()

• match().group() 、search().group()
• Python的re模块的一个分组功能。所谓的分组就是去已经匹配到的内容再筛选出需要的内容，相当于二次过滤。实现分组靠圆括号()，而获取分组的内容靠的是group()、groups()，其实前面我们已经展示过。re模块里的积个重要方法在分组上，有不同的表现形式，需要区别对待
• 以前只匹配 我现在不仅匹配数据还要获取 就可以加分组
• group()：
  • group() group(0) 匹配整个字符
  • group(1) 匹配第1个分组 group(2) 匹配第2个分组
• groups()
• 匹配整个分组
• 返回元组的格式
• 不仅要匹配符合的字符，还要获取，就可以加分组
  

（二）pattern的模式

普通字符

• 字母、数字、汉字、下划线、以及没有特殊定义的符号，都是"普通字符"。正则表达式中的普通字符，在匹配的时候,只匹配与自身相同的一个字符。
• 例如：表达式c，在匹配字符串abcde时，匹配结果是：成功；匹配到的内容是c；匹配到的位置开始于2，结束于3。（注：下标从0开始还是从1开始，因当前编程语言的不同而可能不同）
  

元字符

• 正则表达式中使⽤了很多元字符，⽤来表示⼀些特殊的含义或功能
  
  
• 一些无法书写或者具有特殊功能的字符，采用在前面加斜杠""进行转义的方法。例如下表所示
  
• 尚未列出的还有问号？、星号*和括号等其他的符号。所有正则表达式中具有特殊含义的字符在匹配自身的时候，都要使用斜杠进行转义。这些转义字符的匹配用法与普通字符类似，也是匹配与之相同的一个字符

预定义匹配字符集

• 正则表达式中的一些表示方法，可以同时匹配某个预定义字符集中的任意一个字符。比如，表达式\d可以匹配任意一个数字。虽然可以匹配其中任意字符，但是只能是一个，不是多个
  

重复匹配

• 前面的表达式，无论是只能匹配一种字符的表达式，还是可以匹配多种字符其中任意一个的表达式，都只能匹配一次。但是有时候我们需要对某个字段进行重复匹配，例如手机号码13666666666，一般的新手可能会写\d\d\d\d\d\d\d\d\d\d\（注意，这不是一个恰当的表达式），不但写着费劲，看着也累，还不⼀定准确恰当。
  这种情况可以使用表达式再加上修饰匹配次数的特殊符号{}，不但重复书写表达式就可以重复匹配。例如[abcd][abcd]可以写成[abcd]{2}
  ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210427212703947.png?x-oss-

位置匹配和非贪婪匹配

• 位置匹配
  有时候，我们对匹配出现的位置有要求，比如开头、结尾、单词之间等等
  

贪婪与非贪婪模式

• 默认贪婪模式。在重复匹配时，正则表达式默认总是尽可能多的匹配，这被称为贪婪模式，总是尝试匹配尽可能多的字符
  • 贪婪匹配与match、search只匹配一个，match和search匹配一个是满足条件的最长一个，所以贪婪匹配，非贪婪匹配是指满足条件最短的。
    

校验数字的相关表达式：

特殊场景的表达式:

二、正则爬虫应用

爬虫案例

• 需求：爬取7天的 天气情况 日期 天气状况温度 风力–> 保存到CSV
  • http://www.weather.com.cn/weather/101250101.shtml 目标url
    http://www.weather.com.cn/weather15d/101250101.shtml 8-15天
• 解决方案： requests re
  • 第一步 分析页面
    第二个 思路总结
  • 1.先获取网页的源代码 整个html文件
    2.从网页的源代码当中去匹配ul标签的数据
    3.从ul标签里面去匹配li标签的数据
    4.去解析li标签里面的数据
    5.保存数据
    

保存一天的数据，用到compile相同的获取数据模式获取7天

import requests
import re
import csv

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.128 Safari/537.36'
}

class WeatherSpider:

    # 获取网页源代码
    # 类对象 实例对象 实例方法 类方法
    def getSource(self):
        # 目标url
        url = 'http://www.weather.com.cn/weather/101250101.shtml'
        resp = requests.get(url,headers=headers)
        # print(resp.content.decode('utf-8'))
        return resp.content.decode('utf-8')

    # 解析数据 保存数据
    def parseSource(self):
        content = self.getSource()
        # 匹配ul 正则表达式比较灵活 .*?ul标签前面的数据
        # 匹配并获取的 (
.*?
)  .*?ul标签后面的数据
        result = re.match(r'.*?(
.*?
).*?',content,re.S)
        # print(result.group(1))
        # 匹配li
        ul = result.group(1)
        lis = re.findall(r'.*?',ul,re.S)
        lst_all = [] # 保存所有的天气数据
        pattern = re.compile(r'.*?
(.*?)
.*?(.*?)
.*?(.*?).*?(.*?).*?',re.S)
        for li in lis:
            r = pattern.match(li)
            lst_one = [r.group(1),r.group(2),r.group(3),r.group(4)]
            lst_all.append(lst_one)

        return lst_all

    # 保存数据
    def saveData(self):
        content = self.parseSource()
        with open('weather7day.csv','w',encoding='utf-8',newline='') as file_obj:
            writer = csv.writer(file_obj)
            writer.writerow(['日期','天气','温度','风力'])
            writer.writerows(content)

def main():
    WeatherSpider().saveData()

if __name__ == '__main__':
    main()

获取7天各列的数据，在整合，主要用到findall

import re
import requests
import csv

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.128 Safari/537.36'
}

class WeatherSpider:

    def getsouce(self):
        url = 'http://www.weather.com.cn/weather/101250101.shtml'
        req = requests.get(url, headers = headers).content.decode('utf-8')
        return req

    def parseSource(self):
        req = self.getsouce()
        content = re.search(r'
.*?
', req, re.S).group()
        self.days = re.findall(r'
(.*?)
', content, re.S)
        self.weather = re.findall(r'
.*?(.*?)/(.*?)', content, re.S)
        self.wind = re.findall(r'
.*?(.*?)', content, re.S)


    def saveData(self):
        self.parseSource()
        headers = ['日期', '天气', '最高温度', '最低温度', '风向', '风力']
        with open('weather7s.csv', 'w', encoding='utf-8', newline='') as file_obj:
            writer = csv.writer(file_obj)
            writer.writerow(headers)
            for i in range(7):
                list_one = [self.days[i], self.weather[i], self.tem[i][0], self.tem[i][1], self.wind[i][0], self.wind[i][1]]
                writer.writerow(list_one)


def main():
    WeatherSpider().saveData()

if __name__ == '__main__':
    main()