Python爬虫系列：五、正则表达式

1.了解正则表达式

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。

正则表达式是用来匹配字符串非常强大的工具，在其他编程语言中同样有正则表达式的概念，Python同样不例外，利用了正则表达式，我们想要从返回的页面内容提取出我们想要的内容就易如反掌了。

正则表达式的大致匹配过程是：
1.依次拿出表达式和文本中的字符比较，
2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。
3.如果表达式中有量词或边界，这个过程会稍微有一些不同。

2.正则表达式的语法规则

　　请自行百度，有更详细的讲解。

3.Python Re模块

（1）re.match(pattern, string[, flags])

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：
1.string: 匹配时使用的文本。
2.re: 匹配时使用的Pattern对象。
3.pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4.endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5.lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：
1.group([group1, …]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
2.groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
3.groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
4.start([group]):
返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
5.end([group]):
返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符’0’，只能使用\g0。

下面我们用一个例子来体会一下

（2）re.search(pattern, string[, flags])

　　search方法与match方法极其类似，区别在于match()函数只检测re是不是在string的开始位置匹配，search()会扫描整个string查找匹配，match（）只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回None。同样，search方法的返回对象同样match()返回对象的方法和属性。

（3）re.split(pattern, string[, maxsplit])

　　按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

（4）re.findall(pattern, string[, flags])

　　搜索string，以列表形式返回全部能匹配的子串。

（5）re.finditer(pattern, string[, flags])

　　搜索string，以列表形式返回全部能匹配的子串。

（6）re.sub(pattern, repl, string[, count])

　　使用repl替换string中每一个匹配的子串后返回替换后的字符串。
　　当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
　　当repl是一个方法时，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。

（7）re.subn(pattern, repl, string[, count])

　　返回 (sub(repl, string[, count]), 替换次数)。

5.Python Re模块的另一种使用方式

在上面我们介绍了7个工具方法，例如match，search等等，不过调用方式都是 re.match，re.search的方式，其实还有另外一种调用方式，可以通过pattern.match，pattern.search调用，这样调用便不用将pattern作为第一个参数传入了，大家想怎样调用皆可。

函数API列表

  match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
  search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
  split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])
  findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
  finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])
  sub(repl, string[, count]) | re.sub(pattern, repl, string[, count])
  subn(repl, string[, count]) |re.sub(pattern, repl, string[, count])

下面放出本文源代码

 import re

 pattern = re.compile(r'(\w+) (\w+)')
 s = 'i say, hello world!'

 print(re.subn(pattern,r'\2 \1', s))

 def func(m):
     return m.group(1).title() + ' ' + m.group(2).title()

 print(re.subn(pattern,func, s))

 ### output ###
 # ('say i, world hello!', 2)
 # ('I Say, Hello World!', 2)

 '''
 import re

 pattern = re.compile(r'(\w+) (\w+)')
 s = 'i say, hello world!'

 print(re.sub(pattern,r'\2 \1', s))

 def func(m):
     return m.group(1).title() + ' ' + m.group(2).title()

 print(re.sub(pattern,func, s))

 ### output ###
 # say i, world hello!
 # I Say, Hello World!
 '''
 '''
 import re

 pattern = re.compile(r'\d+')
 for m in re.finditer(pattern,'one1two2three3four4'):
     print(m.group(),)

 ### 输出 ###
 # 1 2 3 4
 '''

 '''
 import re

 pattern = re.compile(r'\d+')
 print(re.findall(pattern,'one1two2three3four4')) 

 ### 输出 ###
 # ['1', '2', '3', '4']

 '''
 '''
 import re

 pattern = re.compile(r'\d+')
 print(re.split(pattern,'one1two2three3four4'))

 ### 输出 ###
 # ['one', 'two', 'three', 'four', '']
 '''
 '''
 # -*- coding: utf-8 -*-
 #导入re模块
 import re

 # 将正则表达式编译成Pattern对象
 pattern = re.compile(r'world')
 # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
 # 这个例子中使用match()无法成功匹配
 match = re.search(pattern,'hello world!')
 if match:
     # 使用Match获得分组信息
     print(match.group())
 ### 输出 ###
 # world
 '''

 '''
 # -*- coding: utf-8 -*-
 #一个简单的match实例

 import re
 # 匹配如下内容：单词+空格+单词+任意字符
 m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')

 print("m.string:", m.string)
 print("m.re:", m.re)
 print("m.pos:", m.pos)
 print("m.endpos:", m.endpos)
 print("m.lastindex:", m.lastindex)
 print("m.lastgroup:", m.lastgroup)
 print("m.group():", m.group())
 print("m.group(1,2):", m.group(1, 2))
 print("m.groups():", m.groups())
 print("m.groupdict():", m.groupdict())
 print("m.start(2):", m.start(2))
 print("m.end(2):", m.end(2))
 print("m.span(2):", m.span(2))
 print(r"m.expand(r'\g \g\g'):", m.expand(r'\2 \1\3'))

 ### output ###
 # m.string: hello world!
 # m.re:
 # m.pos: 0
 # m.endpos: 12
 # m.lastindex: 3
 # m.lastgroup: sign
 # m.group(1,2): ('hello', 'world')
 # m.groups(): ('hello', 'world', '!')
 # m.groupdict(): {'sign': '!'}
 # m.start(2): 6
 # m.end(2): 11
 # m.span(2): (6, 11)
 # m.expand(r'\2 \1\3'): world hello!
 '''
 '''
 # -*- coding: utf-8 -*-

 #导入re模块
 import re

 # 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”
 pattern = re.compile(r'hello')

 # 使用re.match匹配文本，获得匹配结果，无法匹配时将返回None
 result1 = re.match(pattern,'hello')
 result2 = re.match(pattern,'helloo 113!')
 result3 = re.match(pattern,'helo 222!')
 result4 = re.match(pattern,'hello wer!')

 #如果1匹配成功
 if result1:
     # 使用Match获得分组信息
     print(result1.group())
 else:
     print('1匹配失败！')

 #如果2匹配成功
 if result2:
     # 使用Match获得分组信息
     print(result2.group())
 else:
     print('2匹配失败！')

 #如果3匹配成功
 if result3:
     # 使用Match获得分组信息
     print(result3.group())
 else:
     print('3匹配失败！')

 #如果4匹配成功
 if result4:
     # 使用Match获得分组信息
     print(result4.group())
 else:
     print('4匹配失败！')
  '''