四、正则表达式re模块

什么是正则表达式

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。

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。

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：

给定的字符串是否符合正则表达式的过滤逻辑（“匹配”）；

通过正则表达式，从文本字符串中获取我们想要的特定部分（“过滤”）。

常用的匹配规则：

\w      匹配字母数字及下划线
\W      匹配f非字母数字下划线
\s      匹配任意空白字符，等价于[\t\n\r\f]
\S      匹配任意非空字符
\d      匹配任意数字
\D      匹配任意非数字
\A      匹配字符串开始
\Z      匹配字符串结束，如果存在换行，只匹配换行前的结束字符串
\z      匹配字符串结束
\G      匹配最后匹配完成的位置
\n      匹配一个换行符
\t      匹配一个制表符
^       匹配字符串的开头
$       匹配字符串的末尾
.       匹配任意字符，除了换行符，re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符
[....]  用来表示一组字符，单独列出：[amk]匹配a,m或k
[^...]  不在[]中的字符：[^abc]匹配除了a,b,c之外的字符
*       匹配0个或多个的表达式
+       匹配1个或者多个的表达式
?       匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
{n}     精确匹配n前面的表示
{m,m}   匹配n到m次由前面的正则表达式定义片段，贪婪模式
a|b     匹配a或者b
()      匹配括号内的表达式，也表示一个组

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。

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

　   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：

import re

# 将正则表达式编译成 Pattern 对象
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：从起始位置开始查找，一次匹配
• search 方法：从任何位置开始查找，一次匹配
• findall 方法：全部匹配，返回列表
• finditer 方法：全部匹配，返回迭代器
• split 方法：分割字符串，返回列表
• sub 方法：替换

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。

　　2.1、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。

　　

>>> import re
>>> pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

>>> m = pattern.match('one12twothree34four')  # 查找头部，没有匹配
>>> print m
None

>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配
>>> print m
None

>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配
>>> print m                                         # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>

>>> m.group(0)   # 可省略 0
''
>>> m.start(0)   # 可省略 0
3
>>> m.end(0)     # 可省略 0
5
>>> m.span(0)    # 可省略 0
(3, 5)

　　

　　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))。

　　2.2、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。

　　　　　　让我们看看例子：　　　　

import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
# 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None
# 这里使用 match() 无法成功匹配
m = pattern.search('hello 123456 789')
if m:
    # 使用 Match 获得分组信息
    print（'matching string:',m.group()）
    # 起始位置和结束位置
    print（'position:',m.span()）

#结果
matching string: 123456
position: (6, 12)

　　2.3、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。

　　　　　　看看例子：

import re

#re模块提供一个方法叫compile模块，提供我们输入一个匹配的规则
#然后返回一个pattern实例，我们根据这个规则去匹配字符串
pattern = re.compile(r'\d+.\d*')

#通过partten.findall()方法就能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

#findall 以 列表形式 返回全部能匹配的子串给result
for item in result:
    print(item)

#结果
123.141593
232312,
3.15

　　2.4、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。

　　2.5、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。

　　　　看看例子：

import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'

print(p.sub(r'hello world', s))  # 使用 'hello world' 替换 'hello 123' 和 'hello 456'
print(p.sub(r'\2 \1', s))        # 引用分组

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

print(p.sub(func, s))
print(p.sub(func, s, 1))         # 最多替换一次

#结果
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456

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

也可以直接用re.match(),re.search(),re.findall(),re.finditer(),re.sub()

import re
content= "hello 1234567 World_This is a regex Demo"
result = re.match('^hello\s(\d+)\sWorld.*Demo$',content)
print(result)
print(result.group())
print(result.group(1))
print(result.span())

结果：

<_sre.SRE_Match object; span=(0, 40), match='hello 1234567 World_This is a regex Demo'>
hello 1234567 World_This is a regex Demo
1234567
(0, 40)

使用正则表达式的爬虫：（小说）

 #!/usr/bin/env python
 # -*- coding:utf-8 -*-

 import urllib.request
 import re

 class Spider:
     def __init__(self):
         # 初始化起始页位置
         self.page = 1
         # 爬取开关，如果为True继续爬取
         self.switch = True

     def loadPage(self):
         """
             作用：下载页面
         """
         print("正在下载数据....")
         url = "https://www.siluke.tw/ny10345/" + str(self.page+6059038) + ".html"
         headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
         request = urllib.request.Request(url, headers = headers)
         response = urllib.request.urlopen(request)

         # 获取每页的HTML源码字符串
         html = response.read().decode('utf-8')
         #print html

         # 创建正则表达式规则对象，匹配每页里的段子内容，re.S 表示匹配全部字符串内容
         #pattern = re.compile('<div\sclass="f18 mb20">(.*?)</div>', re.S)
         pattern = re.compile('<div\sid="content">(.*?)</div>')

         # 将正则匹配对象应用到html源码字符串里，返回这个页面里的所有文章的列表
         content_list = pattern.findall(html)

         # 调用dealPage() 处理文章里的杂七杂八
         self.dealPage(content_list)

     def dealPage(self, content_list):
         """
             处理每页的文章
             content_list : 每页的文章列表集合
         """
         for item in content_list:
             # 将集合里的每个段子按个处理，替换掉无用数据
             item = item.replace('<br />', '').replace('&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;','').replace('&nbsp;&nbsp;&nbsp;&nbsp;', '\n').replace('&nbsp;...&nbsp;&nbsp;','\n')

             # 处理完后调用writePage() 将每个段子写入文件内
             self.writePage(item)

     def writePage(self, item):
         """
             把每章逐个写入文件里
             item: 处理后的文章
         """
         # 写入文件内
         print("正在写入数据....")
         with open("斗破苍穹.txt", "a") as f:
             f.write('第%s章\n' % self.page)
             f.write('\n')
             f.write(item)
             f.write('\n')

     def startWork(self):
         """
             控制爬虫运行
         """
         # 循环执行，直到 self.switch == False
         while self.switch:
             # 用户确定爬取的次数
             self.loadPage()
             command = input("如果继续爬取，请按回车（退出输入quit)")
             if command == "quit":
                 # 如果停止爬取，则输入 quit
                 self.switch = False
             # 每次循环，page页码自增1
             self.page += 1
         print("谢谢使用！")

 if __name__ == "__main__":
     articleSpider = Spider()
 #   articleSpider.loadPage()
     articleSpider.startWork()

运行结果：

正在下载数据....
正在写入数据....
如果继续爬取，请按回车（退出输入quit)quit
谢谢使用！