python爬虫精选03集（re正则解析模块深入浅出）

追梦是需要激情和理想，圆梦是需要奋斗和奉献

一．正则表达式(基本简介)

• 目的
  1.处理文本数据
  2.对文本内容的搜索，定位，提取是逻辑比较复杂的工作
  3.为了快速方便的解决上述问题，产生了正则表达式技术
• 正则定义
  即文本的高级匹配模式，其本质是由一系列字符和特殊符号构成的字串，这个字串即正则表达式。
• 原理
  通过普通字符和有特定含义的字符，来组成字符串，用以描述一定的字符串规则，比如：重复，位置等，来表达某类特定的字符串，进而匹配。
• 目标

1. 熟练掌握正则表达式元字符
2. 能够读懂常用正则表达式，编辑简单的正则规则
3. 能够熟练使用re模块操作正则表达式

• re模块官方文档：
  https://docs.python.org/zh-cn/3.8/library/re.html
• re模块库源码：
  https://github.com/python/cpython/blob/3.8/Lib/re.py

二. 元字符使用：

以下案例若需要在python或pycharm中执行需要引入re模块

模板示例：

import re
print(re.findall('ab',"abcdefabcd"))
 # ['ab', 'ab']

2.1 普通字符：

匹配规则：每个普通字符匹配其对应的字符
例子：re.findall('ab',"abcdefabcd")
# ['ab', 'ab']

注意事项：正则表达式在python中也可以匹配中文

2.2 元字符：| （或关系）

匹配规则：匹配 | 两侧任意的正则表达式即可
例子：re.findall('com|cn',"www.baidu.com/www.jingdong.cn")
#['com', 'cn']

2.3 元字符：. （匹配单个元字符）

匹配规则：匹配除换行外的任意一个字符
例子：re.findall('钱天.',"钱天二,钱天三,钱天四")
# ['钱天二', '钱天三', '钱天四']

2.4 元字符： [字符集]

匹配规则: 匹配字符集中的任意一个字符
表达形式: 
    [abc#!好] 表示 [] 中的任意一个字符
    [0-9],[a-z],[A-Z] 表示区间内的任意一个字符
    [_#?0-9a-z]  混合书写，一般区间表达写在后面
例子：re.findall('[aeiou]',"How are you!")
# ['o', 'a', 'e', 'o', 'u']

2.5 元字符：[^字符集] （匹配反字符集）

匹配规则：匹配除了字符集以外的任意一个字符
例子：re.findall('[^0-9]',"Use 007 port")
#['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']

2.6 元字符：^ \A

匹配规则：匹配字符串开始位置
例子：re.findall('^Jame',"Jame,hello")
#['Jame']

2.7 元字符：$ \Z

匹配规则：匹配目标字符串的结尾位置
例子：re.findall('Jame$',"Hi,Jame")
#['Jame']

规则技巧: ^ 和 $必然出现在正则表达式的开头和结尾处。如果两者同时出现，则中间的部分必须匹配整个目标字符串的全部内容。

2.8 元字符：*

匹配规则：匹配前面的字符出现0次或多次
例子：re.findall('ha*',"haaaaaa~~~~h!")
#['haaaaaa', 'h']

2.9 元字符：+

匹配规则：匹配前面的字符出现1次或多次
例子：re.findall('[A-Z][a-z]+',"Hello World")
#['Hello', 'World']

2.10 元字符：?

匹配规则：匹配前面的字符出现0次或1次
例子：匹配手机号 re.findall('-?[0-9]+',"Jame,age:18, -26")
#['18', '-26']

2.11 元字符：{n}

匹配规则：匹配前面的字符出现n次
例子：re.findall('1[0-9]{10}',"Jame:13886495728")
#['13886495728']

2.12 元字符：{m,n}

匹配规则： 匹配前面的字符出现m-n次
例子：匹配QQ号 re.findall('[1-9][0-9]{5,10}',"QQ:1259296994") 
#['1259296994']

2.13 元字符：\d \D

匹配规则：\d 匹配任意数字字符，\D 匹配任意非数字字符
例子：匹配端口 re.findall('\d{1,5}',"Mysql: 3306, http:80")
#['3306', '80']

2.14 元字符：\w \W

匹配规则：\w 匹配普通字符，\W 匹配非普通字符
说明: 普通字符指数字，字母，下划线，汉字。
例子： re.findall('\w+',"server_port = 8888")
#['server_port', '8888']

2.15 元字符：\s \S

匹配规则：\s 匹配空字符，\S 匹配非空字符
说明:空字符指 空格 \r \n \t \v \f 字符
例子： re.findall('\w+\s+\w+',"hello    world")
#['hello    world']

2.16 元字符：\s \S

匹配规则：\s 匹配空字符，\S 匹配非空字符
说明:空字符指 空格 \r \n \t \v \f 字符
例子： re.findall('\w+\s+\w+',"hello    world")
#['hello    world']

2.17 元字符：\b \B

匹配规则：\b 表示单词边界，\B 表示非单词边界
说明:单词边界指数字字母(汉字)下划线与其他字符的交界位置。
例子：re.findall(r'\bis\b',"This is a test.")
#['is']

注意： 当元字符符号与Python字符串中转义字符冲突的情况则需要使用r将正则表达式字符串声明为原始字符串，如果不确定那些是Python字符串的转义字符，则可以在所有正则表达式前加r。

三.匹配规则

3.1特殊字符匹配

• 目的 ： 如果匹配的目标字符串中包含正则表达式特殊字符，则在表达式中元字符就想表示其本身含义时就需要进行 \ 处理。

  特殊字符: . * + ? ^ $ [] () {} | \
  

• 操作方法：在正则表达式元字符前加 \ 则元字符就是去其特殊含义，就表示字符本身

e.g. 匹配特殊字符 . 时使用 \. 表示本身含义
In : re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")
Out: ['123', '-123', '1.23', '-1.23']

3.2贪婪模式和非贪婪模式

• 定义

贪婪模式: 默认情况下，匹配重复的元字符总是尽可能多的向后匹配内容。比如: * + ? {m,n}

非贪婪模式(懒惰模式): 让匹配重复的元字符尽可能少的向后匹配内容。

• 贪婪模式转换为非贪婪模式
• 贪婪模式【匹配重复】默认最大值
• 非贪婪模式最小值，在【匹配重复】后加？

在对应的匹配重复的元字符后加 ‘?’ 号即可

*  ->  *?
+  ->  +?
?  ->  ??
{m,n} -> {m,n}?

e.g.
In : re.findall(r'\(.+?\)',"(abcd)efgh(higk)")
Out: ['(abcd)', '(higk)']

Demo

import re 
# 贪婪匹配  ['《java入门到放弃》，派神:《python入门到放弃》，前端:《Html直接放弃,are you ok》']
print(re.findall('《.+》', "抓娃：《java入门到放弃》，派神:《python入门到放弃》，前端:《Html直接放弃,are you ok》"))
# 非贪婪匹配 ['《java入门到放弃》', '《python入门到放弃》', '《Html直接放弃,are you ok》']
print(re.findall('《.+?》', "抓娃：《java入门到放弃》，派神:《python入门到放弃》，前端:《Html直接放弃,are you ok》"))

3.3 正则表达式分组

• 定义：
  在正则表达式中，以（）建立正则表达式的内部分组，子组是正则表达式的一部分，可以作为内部整体操作对象。
• 作用：
  (1)可以别作为整体操作，改变元字符的操作对象。

#(1)改变 +号 重复的对象
re.search(r'(ab)+',"ababababab").group()
 #'ababababab'
#(2)改变 |号 操作对象
re.search(r'(王|李)\w{1,3}',"王者荣耀").group()
#'王者荣耀'

(2)可以通过编程语言某些借口获取陪陪内容中子组对应的内容部分

#获取url协议类型
re.search(r'(https|http|ftp|file)://\S+',"https://www.baidu.com").group(1)

• 捕获组:

可以给正则表达式的子组起一个名字，表达该子组的意义。这种有名称的子组即为捕获组

格式:"(?Ppattern)"

#给子组命名为 "pig"
re.search(r'(?P<pig>ab)+',"ababababab").group('pig')
#'ab'

注意事项

1. 一个正则表达式中可以包含多个子组
2. 子组可以嵌套，但是不要重叠或者嵌套结构复杂
3. 子组序列号一般从外到内，从左到右计数

四.总结

4.1 正则表达式原则

• 正确性，能够正确的匹配出目标字符串。
• 排他性，除了目标字符串意外尽可能少的匹配其他内容。
• 全面性，尽可能考虑到目标字符串的所有情况，不遗漏。

4.2普通字符集的替换

4.3计数符

4.4巩固提升

1. 如果使用正则表达式匹配特殊字符则需要加 \ 表示转义。

• 特殊字符: . * + ? ^ $ [] () {} | \
• 匹配特殊字符 . 时使用 . 表示本身含义
  例子1：

import re
print(re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23"))
        #['123', '-123', '1.23', '-1.23']

   例子2：

import re
s="1992年5月2日出生于中国，中国内地影视女演员-12,12.34,1/0,40%,-1.6"
r=re.findall('-?\d+\.?/?\d*%?',s) 
print(r)
#['1992', '5', '2', '-12', '12.34', '1/0', '40%', '-1.6']

2 . 在编程语言中，常使用原生字符串书写正则表达式避免多重转义的麻烦。

 python字符串  -->    正则    -->    目标字符串
    "\\$\\d+"   解析为   \$\d+   匹配   "$100"
    "\\$\\d+"  等同于  r"\$\d+"