python爬虫知识点总结（五）正则表达式

在线正则表达式匹配：http://tool.oschina.net/regex

正则表达式学习：https://c.runoob.com/front-end/854

一、什么是正则表达式？

常见匹配模式

模式	描述
\w	匹配字母数字及下划线
\W	匹配非字母数字下划线
\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，等价于[0-9]
\D	匹配任意非数字
\A	匹配字符串开始
\Z	匹配字符串结束，如果时存在换行，之匹配到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，当re.DOTTALL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'
[^...]	不再[]中的字符，单独列出：[^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，非贪婪模式
(n)	精确匹配n个前面表达式
(n,m)	匹配n到m次由前面的正则表达式定义的片段，贪婪方式
a|b	匹配a或b
()	匹配括号内的表达式，也表示一个组

re.match

re.match尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none.

re.match(pattern,string,flags=)

　　最常规的匹配

import re
content = 'Hello 123 4567 World_This is a Regex Demo'
print(len(content))
result = re.match('^Hello\s\d{3}\s\d{4}\s\w{10}.*Demo$',content)
print(result)
print(result.group())
print(result.span())

　　泛匹配

import re
content = 'Hello 123 4567 World_This is a Regex Demo'
result = re.match('^Hello.*Demo$',content)
print(result)
print(result.group())
print(result.span())

　　匹配目标

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(1))
print(result.span())

　　贪婪匹配

import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*(\d+).*Demo$',content)
print(result)
print(result.group(1))
print(result.span())

　　非贪婪匹配

import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*?(\d+).*Demo$',content)
print(result)
print(result.group(1))
print(result.span())

　　匹配模式

import re
content = '''Hello 1234567 World_This
is a Regex Demo'''
result = re.match('^He.*?(\d+).*?Demo$',content,re.S)# .不能匹配换行符，re.S来支持匹配换行符
print(result)
print(result.group(1))

　　转义

import re
content = 'price is $5.00'
result = re.match('price is \$5\.00',content)
print(result)

　　总结：尽量使用泛匹配、使用括号得到匹配目标、尽量使用非贪婪模式、有换行符就用re.S　　

　　re.search

　　re.search 扫描整个字符串并返回第一个成功的匹配

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
result = re.match('Hello.*?(\d+).*?Demo',content)
print(result)

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
result = re.search('Hello.*?(\d+).*?Demo',content)
print(result)

　　总结：为了匹配方便，能用search就不用match

匹配练习

import re

html = '''
<div id="songs-list">
    <h2 class="title">金典老歌</h2>
    <p class="introduction">金典老歌列表</p>
    <ul i="list" class="list-group">
        <li data-view="2">一路有你</li>
        <li data-view="7">
            <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
        </li>
        <li data-view="4" class="active">
            <a href="/3.mp3" singer="齐秦">往事随风</a>
        </li>
        <li data-view="6"><a href="4.mp3" singer="beyond">光辉岁月</a></li>
        <li data-view="5"><a href="5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
        </li>
    </ul>
</div>
'''

result = re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>',html,re.S)
if result:
    print(result.group(1),result.group(2))
else:
    print("ok")

　　

import re

html = '''
<div id="songs-list">
    <h2 class="title">金典老歌</h2>
    <p class="introduction">金典老歌列表</p>
    <ul i="list" class="list-group">
        <li data-view="2">一路有你</li>
        <li data-view="7">
            <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
        </li>
        <li data-view="4" class="active">
            <a href="/3.mp3" singer="齐秦">往事随风</a>
        </li>
        <li data-view="6"><a href="4.mp3" singer="beyond">光辉岁月</a></li>
        <li data-view="5"><a href="5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
        </li>
    </ul>
</div>
'''
result = re.search('<li.*?singer="(.*?)">(.*?)</a>',html,re.S)
if result:
    print(result.group(1),result.group(2))
else:
    print("ok")

　　

import re

html = '''
<div id="songs-list">
    <h2 class="title">金典老歌</h2>
    <p class="introduction">金典老歌列表</p>
    <ul i="list" class="list-group">
        <li data-view="2">一路有你</li>
        <li data-view="7">
            <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
        </li>
        <li data-view="4" class="active">
            <a href="/3.mp3" singer="齐秦">往事随风</a>
        </li>
        <li data-view="6"><a href="4.mp3" singer="beyond">光辉岁月</a></li>
        <li data-view="5"><a href="5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
        </li>
    </ul>
</div>
'''
result = re.search('<li.*?singer="(.*?)">(.*?)</a>',html)
if result:
    print(result.group(1),result.group(2))
else:
    print("ok")

　　

re.findall

搜索字符串，一列表形式返回全部能匹配的字串

import re

html = '''
<div id="songs-list">
    <h2 class="title">金典老歌</h2>
    <p class="introduction">金典老歌列表</p>
    <ul i="list" class="list-group">
        <li data-view="2">一路有你</li>
        <li data-view="7">
            <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
        </li>
        <li data-view="4" class="active">
            <a href="/3.mp3" singer="齐秦">往事随风</a>
        </li>
        <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君">但愿人长久</a>
        </li>
    </ul>
</div>
'''
results = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>',html,re.S)
print(results)
print(type(results))
for result in results:
    print(result)
    print(result[0],result[1],result[2])

　　

import re

html = '''
<div id="songs-list">
    <h2 class="title">金典老歌</h2>
    <p class="introduction">金典老歌列表</p>
    <ul i="list" class="list-group">
        <li data-view="2">一路有你</li>
        <li data-view="7">
            <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
        </li>
        <li data-view="4" class="active">
            <a href="/3.mp3" singer="齐秦">往事随风</a>
        </li>
        <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君">但愿人长久</a>
        </li>
    </ul>
</div>
'''
results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>?\s*?</li)',html,re.S)
print(results)
for result in results:
    print(result[1])

　　

re.sub

替换字符串中每一个匹配的子串后返回替换后的字符串

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
content = re.sub('\d+','',content)
print(content)

　　

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
content = re.sub('\d+','Reldjaidja',content) # 将\d+所在位置替换成Reldjaidja
print(content)

　　

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
content = re.sub('(\d+)',r'\1 8910',content) # \1是将第一个括号里的内容作了替换
print(content)

　　

import re

html = '''
<div id="songs-list">
    <h2 class="title">金典老歌</h2>
    <p class="introduction">金典老歌列表</p>
    <ul i="list" class="list-group">
        <li data-view="2">一路有你</li>
        <li data-view="7">
            <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
        </li>
        <li data-view="4" class="active">
            <a href="/3.mp3" singer="齐秦">往事随风</a>
        </li>
        <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君">但愿人长久</a>
        </li>
    </ul>
</div>
'''
html = re.sub('<a.*?>|</a>','',html)
print(html)
results = re.findall('<li.*?>(.*?)</li>',html,re.S)
print(results)
for result in results:
    print(result.strip())

　　

re.compile

将正则字符串编译成正则表达式对象：

　　将一个正则表达式串编译成正则对象，以便于复用该匹配模式

import re
content = '''Hello 1234567 World_Tis
is a Regex Demo
'''
# 第一种
pattern = re.compile('Hello.*Demo',re.S)
result = re.match(pattern,content)
print(result)
#第二种
result = re.match('Hello.*Demo',content,re.S)
print(result)

　　

练习：爬去豆瓣图书的图书信息

　　

import requests
import re

content = requests.get('https://book.douban.com').text
pattern = re.compile('<li.*?"cover".*?href="(.*?)".*?title="(.*?)".*?more-meta">.*?"author">(.*?)</span>.*?"year">(.*?)</span>.*?"publisher">(.*?)</span>.*?</li>',re.S)
print(pattern)
results = re.findall(pattern,content)
print(results)
for ret in results:
url,title,author,date,publisher = ret
author = re.sub('\s','',author)
date=re.sub('\s','',date)
publisher=re.sub('\s','',publisher)
print(url,title,author,date,publisher)