爬虫学习笔记（四）正则表达式

梦里梦外; 2022-05-20 00:26 184阅读 0赞

上一篇博客写了怎么发请求和获取到数据，接下来就是该怎么处理数据了，打开一个网站之后，它会返回很多数据，数据很多，有很多都是咱们不需要的，咱们写爬虫的话只获取到对咱们自己有用的数据，就要从返回的数据里面找到咱们需要的数据，然后保存起来。那怎么筛选到咱们需要的数据呢，就得用正则表达式了，正则表达就是写各种规则来匹配咱们想要的数据。

字符串是我们在编程的时候很常用的一种数据类型，检查会在字符串里面查找一些内容，对于比较简单的查找，字符串里面就有一些内置的方法可以处理，对于比较复杂的字符串查找，或者是有一些内容经常变化的字符串里面查找，那么字符串内置的查找方法已经不好使了，满足不了我们的要求，这个时候就得用正则表达式了，正则表达式就是用来匹配一些比较复杂的字符串。

在python中，如果使用正则表达式的话，需要导入**re**模块，**re**模块是一个内置模块，直接import就可以使用。

**匹配字符串的几个方法**

1 import re
     2 s='besttest is good'
     3 print(re.match('best',s)) 
     4 #match方法接收3个参数，第一个是匹配的规则，也就是正则表达式，第二个是要查找的字符串，
     5 #第三个参数不是必填的，用于控制正则表达式的匹配方式，看下面正则表达式的匹配模式。是从字符串的第一个单词中匹配字符串，如果匹配到返回一个对象，如果匹配不到，则返回None
     6 #>>><_sre.SRE_Match object; span=(0, 4), match='best'>
     7 print(re.search('best',s))
     8 #search方法的参数和match一样，和match方法不一样的是，match是从字符串里面的第一个单词里面找，而search方法则是从字符串的整个内容里面找，如果找到了就返回第一个，找不到就返回None
     9 #>>> <_sre.SRE_Match object; span=(0, 4), match='best'>
    10 print(re.findall('best',s))
    11 #findall方法的参数上面的match、search一样，和他们不一样的是，findall会返回所有一个list，把所有匹配到的字符串，放到这个list里面，如果找不到的话，就返回一个空的list
    12 #>>> ['best']
    13  
    14 print(re.sub('best','Best',s))
    15 #sub方法和字符串的replace方法一样，是用来替换字符串的，把匹配到的值替换成一个新的字符串，接收3个参数，第一个是正则表达式，第二个是要替换成什么，第三个就是要查找的字符串，会返回一个新的字符串，如果匹配不到的话，返回原来的字符串
    16 #>>> Besttest is good
    17 print(re.split('best',s))
    18 #split 方法和字符串的split方法一样，是用来分割字符的，按照匹配到的字符串进行分割，返回的是一个list，如果匹配不到的话，那返回的list中还是原来的字符串
    19 #>>> ['', 'test is good']

#### **常用正则表达式符号**    ####

**1、数量词**

1 '*'     匹配*号前的字符0次或多次，只是*前面的一个字符
     2 print(re.findall(r'be*','besttest very best'))
     3 >>> ['be']
     4 '+'     匹配前一个字符1次或多次，只是+前面的一个字符
     5 print(re.findall(r'st+','besttest is best'))
     6 >>> ['stt', 'st', 'st']
     7 '?'     匹配前一个字符1次或0次,只是?前面的一个字符
     8 print(re.findall(r'st?','besttest is best'))
     9 '{m}'   匹配前一个字符m次
    10 print(re.findall(r't{2}','besttest is best'))
    11 >>> ['tt']
    12 '{n,m}' 匹配前一个字符n到m次
    13 print(re.findall(r't{1,2}','besttest is best'))
    14 >>> ['tt', 't', 't']

**2、一般字符串**

1 '.'     默认匹配除\n之外的任意一个字符
     2 print(re.findall(r'b.','besttest is good'))
     3 '[....]',字符集合，
     4 >>> ['be']
     5 >>> ['st', 'st', 's', 'st']
     6 '\'   转译符，前面的* + ?这样的字符都有特殊含义了，如果你想就想找它的话，那就得转译了
     7 意思就是说如果你想让特殊字符失去以前的含义，那么就得给它前面加上\
     8 print(re.findall(r'\?','besttest is best????'))
     9 >>> ['?', '?', '?', '?']
    10 '|'     匹配|左或|右的字符
    11 print(re.findall(r'best|is','besttest is best'))
    12 >>> ['best', 'is', 'best']
    13 '[]' 字符集合，某些字符的集合，匹配的时候是这个集合里面的任意一个就行
    14 print(re.findall(r'be[stacj]','besttest is best bejson'))
    15 >>>['bes', 'bes', 'bej']
    16 在[]里面如果用^的话代表取反，也就是不包括的这些字符串的
    17 print(re.findall(r'be[^stac]','besttest is best bejson'))

**3、边界匹配**

1 '^'     匹配以什么字符开头,多行情况下匹配每一行的开头
     2 print(re.findall(r'^b','besttest is good'))
     3 >>> ['b']
     4 print(re.findall(r'^b','besttest is good\nbest',re.M))#多行模式
     5 >>> ['b','b']
     6 '$'     匹配以什么字符结尾,多行情况下匹配每一行的结尾
     7 print(re.findall(r'd$','besttest is good'))
     8 >>> ['d']
     9 print(re.findall(r'd$','besttest is good\nbest is good',re.M<span style="line-height:1.5;">))#多行模式</span> >>>['d','d']
    10 '\A' 仅以什么字符开头，和^不同的是它不能用多行模式
    11 print(re.findall(r'\Ab','besttest is good'))
    12 >>> ['b']
    13 '\Z' 仅以什么字符结尾，和$不同的是它不能用多行模式
    14 print(re.findall(r'd\Z','besttest is good'))
    15 >>> ['d']

**4、预定义字符集合**

1 '\d'  匹配数字0-9
     2 print(re.findall(r'\d+','sdf2342312sdfs'))
     3 >>> ['2342312']
     4 '\D'    匹配非数字
     5 print(re.findall(r'\D','sdf2342312sdfs'))
     6 >>>['sdf', 'sdfs']
     7 '\w'    匹配[A-Za-z0-9],也就是所有的字母和数字
     8 print(re.findall(r'\w','sdf234%^2312sdfs&'))
     9 >>>['sdf234', '2312sdfs']
    10 '\W' 匹配不是[A-Za-z0-9]，也就是不是字母和数字
    11 print(re.findall(r'\W','sdf234%^2312sdfs&'))
    12 >>>['%', '^', '&']
    13 '\s' 匹配空白字符、\t、\n、\r,空格
    14 print(re.findall('\s','axss\n\tsdf\t\r\t'))
    15 >>> ['\n', '\t', '\t', '\r', '\t']
    16 '\S'匹配空白字符,不是\t、\n、\r,空格
    17 print(re.findall('\s','axss\n\tsdf\t\r\t'))
    18 >>>['\n', '\t', '\t', '\r', '\t']

**5、分组匹配**

1 '(...)' 分组匹配，把某些规则写成在一个组里，这样就可以直接对这个进行一些匹配了，举个例子的话，如果要匹配ip地址的话
     2 ip地址是类似这样的192.168.5.1，每一位都是1位或者3位的数字然后后面有个点正常写的话,得这么写
     3 print(re.findall(r'\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3}',"192.168.1.3"))
     4 >>> ['192.168.1.3']
     5 这样写的话，有点麻烦了，通过上面的我们可以发现规律，除了第一个后面的全都是'.\d{1,3}'，写重复的代码就是低级的，这样的话就可以用分组了
     6 就把'.\d{1,3}'当做一个整体，然后让他们出现3次就ok了，可以改成下面这样的
     7 print(re.search(r'\d{1,3}(.\d{1,3}){3}',"192.168.1.3").group())这个是用search方法的，结果和上面的一样的
     8 >>> 192.168.1.3
     9 print(re.findall(r'\d{1,3}(.\d{1,3}){3}',"192.168.1.3"))咱们继续用findall方法，发现结果是下面的
    10 >>> ['.3']
    11 为啥会这样呢，用match方法和search方法都是正常的，findall方法这里有个坑，就是如果findall方法里面有分组的话，那结果就只是分组里面的内容
    12 ，如果想让结果正确的话就在分组最前面写上'?:'，一个问号和一个冒号就好了，启用“不捕捉模式”
    13 print(re.findall(r'\d{1,3}(?:.\d{1,3}){3}',"192.168.1.3"))
    14 这么写结果就对了

#### **正则表达式匹配模式**    ####

**正则匹配模式****是用在match、search、findall里面的第三个参数，还有其他的模式，但是一般也用不到，就这两种能用到，****别的就不记了**

1 re.I: #忽略大小写
    2 re.M: #多行模式，改变'^'和'$'的行为
    3 re.findall('pattern', 'string',re.I)