转载自： http://cuiqingcai.com/977.html
在前面我们已经搞定了怎样获取页面的内容，不过还差一步，这么多杂乱的代码夹杂文字我们怎样把它提取出来整理呢？下面就开始介绍一个十分强大的工具，正则表达式！
1.了解正则表达式
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。
正则表达式是用来匹配字符串非常强大的工具，在其他编程语言中同样有正则表达式的概念，Python同样不例外，利用了正则表达式，我们想要从返回的页面内容提取出我们想要的内容就易如反掌了。
正则表达式的大致匹配过程是：
1.依次拿出表达式和文本中的字符比较，
2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。
3.如果表达式中有量词或边界，这个过程会稍微有一些不同。
2.正则表达式的语法规则
下面是Python中正则表达式的一些匹配规则，图片资料来自CSDN
3.正则表达式相关注解
（1）数量词的贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式”ab*”如果用于查找”abbbc”，将找到”abbb”。而如果使用非贪婪的数量词”ab*?”，将找到”a”。
注：我们一般使用非贪婪模式来提取。
（2）反斜杠问题
与大多数编程语言相同，正则表达式里使用”\”作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”\”，那么使用编程语言表示的正则表达式里将需要4个反斜杠”\\\\”：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r”\\”表示。同样，匹配一个数字的”\\d”可以写成r”\d”。有了原生字符串，妈妈也不用担心是不是漏写了反斜杠，写出来的表达式也更直观勒。
4.Python Re模块
Python 自带了re模块，它提供了对正则表达式的支持。主要用到的方法列举如下
|
1
2
3
4
5
6
7
8
9
10
|
#返回pattern对象
re
.
compile
(
string
[
,
flag
]
)
#以下为匹配所用函数
re
.
match
(
pattern
,
string
[
,
flags
]
)
re
.
search
(
pattern
,
string
[
,
flags
]
)
re
.
split
(
pattern
,
string
[
,
maxsplit
]
)
re
.
findall
(
pattern
,
string
[
,
flags
]
)
re
.
finditer
(
pattern
,
string
[
,
flags
]
)
re
.
sub
(
pattern
,
repl
,
string
[
,
count
]
)
re
.
subn
(
pattern
,
repl
,
string
[
,
count
]
)
|
在介绍这几个方法之前，我们先来介绍一下pattern的概念，pattern可以理解为一个匹配模式，那么我们怎么获得这个匹配模式呢？很简单，我们需要利用re.compile方法就可以。例如
|
1
|
pattern
=
re
.
compile
(
r
'hello'
)
|
在参数中我们传入了原生字符串对象，通过compile方法编译生成一个pattern对象，然后我们利用这个对象来进行进一步的匹配。
另外大家可能注意到了另一个参数 flags，在这里解释一下这个参数的含义：
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。
可选值有：
|
1
2
3
4
5
6
|
•
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（
参见上图）
•
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。
|
在刚才所说的另外几个方法例如 re.match 里我们就需要用到这个pattern了，下面我们一一介绍。
注：以下七个方法中的flags同样是代表匹配模式的意思，如果在pattern生成时已经指明了flags，那么在下面的方法中就不需要传入这个参数了。
（1）re.match(pattern, string[, flags])
这个方法将会从string（我们要匹配的字符串）的开头开始，尝试匹配pattern，一直向后匹配，如果遇到无法匹配的字符，立即返回None，如果匹配未结束已经到达string的末尾，也会返回None。两个结果均表示匹配失败，否则匹配pattern成功，同时匹配终止，不再对string向后匹配。下面我们通过一个例子理解一下
|
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
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
|
__author__
=
'CQC'
# -*- coding: utf-8 -*-
#导入re模块
import
re
# 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re.match匹配文本，获得匹配结果，无法匹配时将返回None
result1
=
re
.
match
(
pattern
,
'hello'
)
result2
=
re
.
match
(
pattern
,
'helloo CQC!'
)
result3
=
re
.
match
(
pattern
,
'helo CQC!'
)
result4
=
re
.
match
(
pattern
,
'hello CQC!'
)
#如果1匹配成功
if
result1
:
# 使用Match获得分组信息
print
result1
.
group
(
)
else
:
print
'1匹配失败！'
#如果2匹配成功
if
result2
:
# 使用Match获得分组信息
print
result2
.
group
(
)
else
:
print
'2匹配失败！'
#如果3匹配成功
if
result3
:
# 使用Match获得分组信息
print
result3
.
group
(
)
else
:
print
'3匹配失败！'
#如果4匹配成功
if
result4
:
# 使用Match获得分组信息
print
result4
.
group
(
)
else
:
print
'4匹配失败！'
|
运行结果
|
1
2
3
4
|
hello
hello
3匹配失败！
hello
|
匹配分析
1.第一个匹配，pattern正则表达式为’hello’，我们匹配的目标字符串string也为hello，从头至尾完全匹配，匹配成功。
2.第二个匹配，string为helloo CQC，从string头开始匹配pattern完全可以匹配，pattern匹配结束，同时匹配终止，后面的o CQC不再匹配，返回匹配成功的信息。
3.第三个匹配，string为helo CQC，从string头开始匹配pattern，发现到 ‘o’ 时无法完成匹配，匹配终止，返回None
4.第四个匹配，同第二个匹配原理，即使遇到了空格符也不会受影响。
我们还看到最后打印出了result.group()，这个是什么意思呢？下面我们说一下关于match对象的的属性和方法
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]):
返回以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、\g引用分组，但不能使用编号0。\id与\g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\g0。
下面我们用一个例子来体会一下
|
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
29
30
31
32
33
34
35
36
|
# -*- 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<sign>.*)'
,
'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 \g\g'):"
,
m
.
expand
(
r
'\2 \1\3'
)
### output ###
# m.string: hello world!
# m.re:
# 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!
|
（2）re.search(pattern, string[, flags])
search方法与match方法极其类似，区别在于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。同样，search方法的返回对象同样match()返回对象的方法和属性。我们用一个例子感受一下
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
#导入re模块
import
re
# 将正则表达式编译成Pattern对象
pattern
=
re
.
compile
(
r
'world'
)
# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
# 这个例子中使用match()无法成功匹配
match
=
re
.
search
(
pattern
,
'hello world!'
)
if
match
:
# 使用Match获得分组信息
print
match
.
group
(
)
### 输出 ###
# world
|
（3）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。我们通过下面的例子感受一下。
|
1
2
3
4
5
6
7
|
import
re
pattern
=
re
.
compile
(
r
'\d+'
)
print
re
.
split
(
pattern
,
'one1two2three3four4'
)
### 输出 ###
# ['one', 'two', 'three', 'four', '']
|
（4）re.findall(pattern, string[, flags])
搜索string，以列表形式返回全部能匹配的子串。我们通过这个例子来感受一下
|
1
2
3
4
5
6
7
|
import
re
pattern
=
re
.
compile
(
r
'\d+'
)
print
re
.
findall
(
pattern
,
'one1two2three3four4'
)
### 输出 ###
# ['1', '2', '3', '4']
|
（5）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。我们通过下面的例子来感受一下
|
1
2
3
4
5
6
7
8
|
import
re
pattern
=
re
.
compile
(
r
'\d+'
)
for
m
in
re
.
finditer
(
pattern
,
'one1two2three3four4'
)
:
print
m
.
group
(
)
,
### 输出 ###
# 1 2 3 4
|
（6）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、\g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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
import
re
pattern
=
re
.
compile
(
r
'(\w+) (\w+)'
)
s
=
'i say, hello world!'
print
re
.
sub
(
pattern
,
r
'\2 \1'
,
s
)
def
func
(
m
)
:
return
m
.
group
(
1
)
.
title
(
)
+
' '
+
m
.
group
(
2
)
.
title
(
)
print
re
.
sub
(
pattern
,
func
,
s
)
### output ###
# say i, world hello!
# I Say, Hello World!
|
（7）re.subn(pattern, repl, string[, count])
返回 (sub(repl, string[, count]), 替换次数)。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
import
re
pattern
=
re
.
compile
(
r
'(\w+) (\w+)'
)
s
=
'i say, hello world!'
print
re
.
subn
(
pattern
,
r
'\2 \1'
,
s
)
def
func
(
m
)
:
return
m
.
group
(
1
)
.
title
(
)
+
' '
+
m
.
group
(
2
)
.
title
(
)
print
re
.
subn
(
pattern
,
func
,
s
)
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)
|
5.Python Re模块的另一种使用方式
在上面我们介绍了7个工具方法，例如match，search等等，不过调用方式都是 re.match，re.search的方式，其实还有另外一种调用方式，可以通过pattern.match，pattern.search调用，这样调用便不用将pattern作为第一个参数传入了，大家想怎样调用皆可。
函数API列表
|
1
2
3
4
5
6
7
|
match
(
string
[
,
pos
[
,
endpos
]
]
)
|
re
.
match
(
pattern
,
string
[
,
flags
]
)
search
(
string
[
,
pos
[
,
endpos
]
]
)
|
re
.
search
(
pattern
,
string
[
,
flags
]
)
split
(
string
[
,
maxsplit
]
)
|
re
.
split
(
pattern
,
string
[
,
maxsplit
]
)
findall
(
string
[
,
pos
[
,
endpos
]
]
)
|
re
.
findall
(
pattern
,
string
[
,
flags
]
)
finditer
(
string
[
,
pos
[
,
endpos
]
]
)
|
re
.
finditer
(
pattern
,
string
[
,
flags
]
)
sub
(
repl
,
string
[
,
count
]
)
|
re
.
sub
(
pattern
,
repl
,
string
[
,
count
]
)
subn
(
repl
,
string
[
,
count
]
)
|
re
.
sub
(
pattern
,
repl
,
string
[
,
count
]
)
|
具体的调用方法不必详说了，原理都类似，只是参数的变化不同。小伙伴们尝试一下吧~
小伙伴们加油，即使这一节看得云里雾里的也没关系，接下来我们会通过一些实战例子来帮助大家熟练掌握正则表达式的。
参考文章：此文章部分内容出自 CNBlogs
转载请注明：静觅 » Python爬虫入门七之正则表达式