玩转正则表达式
本文中介绍的是主要是 3 个知识点：
- 正则表达式的相关知识
Python的中re模块，主要是用来处理正则表达式- 一个利用
re模块通过正则表达式来进行网页数据的爬取和存储
1、正则表达式
1.1 正则表达式及作用
正则表达式的英文是 regular expression，通常简写为 regex、regexp 或者RE，属于计算机领域的一个概念。
正则表达式的主要作用是被用来进行文本的检索、替换或者是从一个串中提取出符合我们指定条件的子串，它描述了一种字符串匹配的模式 pattern 。
目前正则表达式已经被集成到了各种文本编辑器和文本处理工具中。
1.2 应用场景
-
验证：比如在网站中进行表单提交时，进行用户名及密码的验证
-
查找：从给定的文本信息中进行快速高效地查找与分析字符串
-
替换：将我们指定格式的文本进行查找，然后将指定的内容进行替换
1.3 网站
在这里介绍几个用来学习和测试正则表达式的网站：
- 菜鸟教程-正则表达式
https://www.runoob.com/regexp/regexp-tutorial.html
- 正则表达式在线测试工具
https://tool.oschina.net/regex/
- GoRegex.cn
https://goregex.cn/
- 官方re模块学习
https://docs.python.org/zh-cn/3/library/re.html
- 正则表达式30分钟入门教程
https://deerchao.cn/tutorials/regex/regex.htm#mission
1.4 常用字符功能
先介绍常用正则表达式中几种特殊字符的功能：
字符类
| 字符 | 含义 | 例子 |
|---|---|---|
| . | 匹配任意一个字符 | ab.可以匹配abc或者abd |
| [ ] | 匹配括号中的任意1个字符 | [abcd]可以匹配ab、bc、cd |
| - | 在[ ]内表示的字符范围内进行匹配 | [0-9a-fA-F]可以匹配任意一个16进制的数字 |
| ^ | 位于[ ]括号内的开头，匹配除括号中的字符之外的任意1个字符 | [^xy]匹配xy之外的任意一个字符，比如[^xy]1可以匹配A1、B1但是不能匹配x1、y1 |
数量限定符
| 字符 | 含义 | 例子 |
|---|---|---|
| ？ | 匹配前面紧跟字符的0次或者1次 | [0-9]?，匹配1、2、3 |
| + | 匹配前面紧跟字符的1次或者多次 | [0-9]+，匹配1、12、123等 |
| * | 匹配前面紧跟字符的0次或者多次 | [0-9]*，不匹配或者12、123 |
| {N} | 匹配前面紧跟字符精确到N次 | [1-9][0-9]{2}，匹配100到999的整数，{2}表示[0-9]匹配两个数字 |
| {,M} | 匹配前面紧跟字符最多M次 | [0-9]{,1}，指的是最多匹配0-9之间的1个整数，相当于是0次或者1次，等价于[0-9]? |
| {N,M} | 匹配前面紧跟字符的至少N次，最多M次 | [0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}，匹配IP地址，其中.号是特殊字符，需要使用转义字符 |
位置相关
| 字符 | 含义 | 例子 |
|---|---|---|
| ^ | 匹配开头的位置；通过A |
^hello 匹配hello开头的字符内容 |
| $ | 匹配结束的位置同 |
;$ 匹配一行结尾的;符号 ^$匹配空行 |
| < | 匹配单词开头的位置 | <th 匹配…this但是不能匹配ethernet等 |
| > | 匹配单词结尾的位置 | p> 匹配leap等，但是不能匹配parent、sleepy等不是p结尾的单词 |
| 匹配单词开头或结尾的位置 | at 匹配…at…，但是不能匹配cat、atexit、batch（非at开头） | |
| B | 匹配非单词开头或者结尾的单词 | Bat匹配battery，但是不能匹配attend/hat等以at开头的单词 |
特殊字符
| 字符 | 含义 | 例子 |
|---|---|---|
| 转义字符，保持后面字符的原义，使其不被转义 | . 输出. |
|
| ( ) | 将表达式的一部分括起来，可以对整个单元使用数量限定符，匹配括号中的内容 | ([0-9]{1,3}.){3}[0-9]{1,3}表示将括号内的内容匹配3次 |
| | | 连接两个子表达式，相当于或的关系 | n(o|either)匹配no或者neither |
| d | 数字字符 | 相当于是[0-9] |
| D | 非数字字符 | 相当于是[^0-9] |
| w | 数字字母下划线 | [a-zA-Z0-9_] |
| W | 非数字字母下划线，匹配特殊字符 | [^w] |
| s | 空白区域 | [
f]表格、换行等空白区域 |
| S | [^s] | 非空白区域 |
2、re 模块
2.1 re 模块简介
在 Python 中主要是利用 re 模块进行正则表达式的处理，涉及到 4 个常用的方法：
- re.match()
- re.search()
- re.findall()
- re.sub()
- re.split()
5 个方法的基本使用语法是：
import re # 使用之前先进行导入re模块 re.match(pattern, string, flags) # match方法为例
上面参数的说明：
| 参数 | 描述 |
|---|---|
| pattern | 匹配的正则表达式 |
| string | 要匹配的字符串 |
| flags | 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。 |
2.2 标志位 flags
正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志，如 re.I | re.M 被同时设置成 I 和 M 标志：
| 修饰符 | 描述 |
|---|---|
| re.I | 忽略大小写（常用） |
| re.L | 做本地化识别（locale-aware）匹配 |
| re.M | 多行匹配，影响 ^ 和 $ |
| re.S | 使 . 匹配包括换行在内的所有字符 |
| re.U | 根据Unicode字符集解析字符。这个标志影响 w, W, , B. |
| re.X | 该标志通过给予更灵活的格式，以便将正则表达式写得更易于理解。 |
2.3 match
从指定字符串的开始位置进行匹配。开始位置匹配成功则继续匹配，否则输出None。
该方法的结果是返回一个正则匹配对象，通过两个方法获取相关内容：
- 通过
group()来获取内容 - 通过
span()来获取范围：匹配到字符的开始和结束的索引位置
开始位置没有匹配成功，返回 None：
存在换行的字符串内容，使用 re.S：
group() 方法获取内容的时候，索引符号从 1 开始：
2.4 search
re.search 方法扫描整个字符串，返回的是第一个成功匹配的字符串，否则就返回 None
group(N) 中的参数N不能超过正则表达式中括号的个数，若超过则报错：
2.5 findall
re.findall() 是扫描整个字符串，通过列表形式返回所有符合的字符串
注意：re.search 是返回第一个符合要求的字符
如果存在多个 .*? ，则返回的内容中使用列表中嵌套元组的形式：
2.6 sub
re.sub 方法是用来替换字符串中的某些内容
- 直接替换
- 通过函数替换
指定具体的替换内容：将空格替换成短横线
略微复杂的替换
2.7 split
用法
主要适用于将字符串进行分割：
re.split(pattern, string,maxsplit=0,flags=0)
用 pattern 分开 string 。如果在 pattern 中捕获到括号，那么所有的组里的文字也会包含在列表里。
如果 maxsplit 非零， 最多进行 maxsplit 次分隔， 剩下的字符全部返回到列表的最后一个元素。
如何理解是否保留匹配项
第二种写法就是保留了匹配项
2.8 贪婪模式与非贪婪模式
贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为。
贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配；而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配
我们在正则表达式中经常会使用 3 个符号：
- 点
.：表示匹配的是除去换行符之外的任意字符 - 问号
?：表示匹配 0 个或者 1 个 - 星号
*：表示匹配 0 个或者任意个字符
贪婪模式与非贪婪模式:
.*?非贪婪模式.*贪婪模式
看一个例子来比较 re 模块中两种匹配方式的不同：
- 在上面的非贪婪模式中，使用了问号
？，当匹配到aaaacb已经达到了要求，停止第一次匹配；接下来再开始匹配到ab；再匹配到adceb；所以存在多个匹配结果 - 在贪婪模式中，程序会找到最长的那个符合要求的字符串
关于正则表达式中贪婪和非贪婪模式的详解，请参考文章 https://www.cnblogs.com/520yang/articles/7473596.html，写的非常清楚。
3、基于正则的爬虫
字符串是在我们编程中涉及最多的一种数据结构，对字符串进行操作的需求几乎无处不在。
比如我们编写好了爬虫程序，在得到了网页的源码之后，怎么从茫茫数据中提取出来我们指定的数据？这个通过正则表达式提取就是其中的方法之一。
接下来讲解的通过 re 模块来爬取某个网站的内容。
3.1 网页结构
3.2 网页地址
第一页的地址是 http://www.quanshuwang.com/list/1_1.html ，第二页是 http://www.quanshuwang.com/list/1_2.html ，网页地址的规律
for i in range(1, 1156): # 总共1155页 url = "http://www.quanshuwang.com/list/1_{}.html".format(i)
3.3 爬取信息
导入库爬虫中需要的库
import re # 解析数据 import requests # 发送请求 import csv # 存入数据 import pandas as pd
爬取第一页
爬取第一页的内容进行测试
url = "http://www.quanshuwang.com/list/1_1.html" # 第一页 headers = {"User-Agent": "自己的请求头"} response = requests.get(url=url, headers=headers) # 得到响应 res = response.content.decode('gbk', 'ignore') # 获取源码，实际编码是gbk res
3.4 完整代码
下面是完整的源码，包含：
- 访问链接获取源码数据
- 利用 re 模块解析数据
- 利用 csv 模块保存数据
- 读取数据
https://mp.weixin.qq.com/s/pvG2VfksW1sPCCiEm8IBxA