[Python] Web クローラー (7): Python の正規表現チュートリアル
- 黄舟オリジナル
- 2017-01-21 14:28:381340ブラウズ
次に、Abai を使用してクローラーの小さな例を作成します。
その前に、Pythonの正規表現に関連する内容を詳しく整理してみましょう。
Python クローラーにおける正規表現の役割は、教師が点呼を取るときに使用する名簿のようなもので、不可欠な魔法の武器です。
以下の内容はCNBLOGからの転載です: http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
編集時に注意していませんでした、本当に申し訳ありません。
1. 正規表現の基本
1.1. 概念の紹介
正規表現は文字列を処理するための強力なツールですが、Python の一部ではありません。
正規表現の概念は他のプログラミング言語にもあります。唯一の違いは、プログラミング言語によってサポートされる構文の数が異なることです。
独自の独自の構文と独立した処理エンジンを備えており、正規表現を提供する言語では、正規表現の構文は同じです。
次の図は、正規表現を使用した照合プロセスを示しています:
![[Python] Web クローラー (7): Python の正規表現チュートリアル](https://img.php.cn//upload/image/879/171/376/1484979829655372.png "1484979829655372.png")
正規表現の一般的な照合プロセスは次のとおりです:
1. 式を取り出し、テキスト内の文字を順番に比較します。 2. すべての文字が一致する場合、一致は成功します。一致できない文字がある場合、一致は失敗します。
3. 式に量指定子または境界がある場合、プロセスは若干異なります。
次の図は、Python でサポートされている正規表現のメタ文字と構文を示しています:
![[Python] Web クローラー (7): Python の正規表現チュートリアル](https://img.php.cn//upload/image/856/660/867/1484979840393357.png "1484979840393357.png")
1.2. 量指定子の貪欲モードと非貪欲モード
正規表現は通常、テキスト文字列内の一致を検索するために使用されます。
Greedy モードは常に可能な限り多くの文字と一致しようとします。
non-greedy モードはその逆で、常に可能な限り少ない文字と一致しようとします。
Python の量指定子はデフォルトで貪欲です。
例: 「abbbc」を検索するために正規表現「ab*」を使用すると、「abbb」が検索されます。
そして、貪欲でない量指定子「ab*?」を使用すると、「a」が見つかります。
1.3. バックスラッシュの問題
ほとんどのプログラミング言語と同様に、正規表現ではエスケープ文字として「"」が使用されるため、バックスラッシュの問題が発生する可能性があります。
テキスト内の文字 "" と一致する必要がある場合、プログラミング言語で表現される正規表現に 4 つのバックスラッシュ "\\" が必要になります。
1 つ目と 3 つ目はプログラミング言語で使用されます。 2 番目と 4 番目をバックスラッシュに変換し、
を 2 つのバックスラッシュ\ に変換してから、正規表現内のバックスラッシュにエスケープしてバックスラッシュと一致させます。
これは明らかに非常に面倒です。
Python のネイティブ文字列は、この問題を非常にうまく解決します。この例の正規表現は、r"\" で表すことができます。
同様に、数字に一致する「\d」は、r「d」と書くことができます。
ネイティブ文字列を使用すると、母はバックスラッシュの問題を心配する必要がなくなります~
2. re モジュールの概要
2.1. コンパイル
Python は、re モジュールのサポートを通じて正規表現を提供します。 。
re を使用するための一般的な手順は次のとおりです:
ステップ 1: まず、正規表現の文字列形式をパターン インスタンスにコンパイルします。
ステップ 2: 次に、Pattern インスタンスを使用してテキストを処理し、一致結果 (Match インスタンス) を取得します。
ステップ 3: 最後に、Match インスタンスを使用して情報を取得し、その他の操作を実行します。
re のアプリケーションをテストするために新しい re01.py を作成しましょう:
# -*- coding: utf-8 -*-
#一个简单的re实例，匹配字符串中的hello字符串
#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Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match1 = pattern.match('hello world!')
match2 = pattern.match('helloo world!')
match3 = pattern.match('helllo world!')
#如果match1匹配成功
if match1:
# 使用Match获得分组信息
print match1.group()
else:
print 'match1匹配失败！'
#如果match2匹配成功
if match2:
# 使用Match获得分组信息
print match2.group()
else:
print 'match2匹配失败！'
#如果match3匹配成功
if match3:
# 使用Match获得分组信息
print match3.group()
else:
print 'match3匹配失败！'コンソールが 3 つの一致する結果を出力することがわかります:
![[Python] Web クローラー (7): Python の正規表現チュートリアル](https://img.php.cn//upload/image/450/881/653/1484979879182715.png "1484979879182715.png")
コード内の主要なメソッドを詳しく見てみましょう。
★ re.compile(strPattern[, flag]):
このメソッドは、Pattern クラスのファクトリ メソッドであり、文字列形式の正規表現を Pattern オブジェクトにコンパイルするために使用されます。
2 番目のパラメーター フラグは、ビットごとの OR 演算子 '|' を使用して、同時に有効であることを示します (例: re.I | re.M)。
さらに、正規表現文字列でパターンを指定することもできます。
たとえば、re.compile('pattern', re.I | re.M) は re.compile('(?im)pattern と同等です。 '） の。
オプションの値は次のとおりです:
re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为
re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。
以下两个正则表达式是等价的：
# -*- coding: utf-8 -*-
#两个等价的re匹配,匹配一个小数
import re
a = re.compile(r"""\d + # the integral part
\. # the decimal point
\d * # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")
match11 = a.match('3.1415')
match12 = a.match('33')
match21 = b.match('3.1415')
match22 = b.match('33')
if match11:
# 使用Match获得分组信息
print match11.group()
else:
print u'match11不是小数'
if match12:
# 使用Match获得分组信息
print match12.group()
else:
print u'match12不是小数'
if match21:
# 使用Match获得分组信息
print match21.group()
else:
print u'match21不是小数'
if match22:
# 使用Match获得分组信息
print match22.group()
else:
print u'match22不是小数're提供了众多模块方法用于完成正则表达式的功能。
这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，
但同时也无法复用编译后的Pattern对象。
这些方法将在Pattern类的实例方法部分一起介绍。
如一开始的hello实例可以简写为：
# -*- coding: utf-8 -*- #一个简单的re实例，匹配字符串中的hello字符串 import re m = re.match(r'hello', 'hello world!') print m.group()
re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回
2.2. Match
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：
string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
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。
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。
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。
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：
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。
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。
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。
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。
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。
span([group])：
返回(start(group), end(group))。
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
下面来用一个py实例输出所有的内容加深理解：
# -*- 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<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')
### output ###
# m.string: hello world!
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>
# 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!2.3. Pattern
Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造，也就是re.compile()返回的对象。
Pattern提供了几个可读属性用于获取表达式的相关信息：
pattern: 编译时用的表达式字符串。
flags: 编译时用的匹配模式。数字形式。
groups: 表达式中分组的数量。
groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
可以用下面这个例子查看pattern的属性：
# -*- coding: utf-8 -*-
#一个简单的pattern实例
import re
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex
### output ###
# p.pattern: (\w+) (\w+)(?P<sign>.*)
# p.flags: 16
# p.groups: 3
# p.groupindex: {'sign': 3}下面重点介绍一下pattern的实例方法及其使用。 1.match match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])： 这个方法将从string的pos下标处起尝试匹配pattern； 如果pattern结束时仍可匹配，则返回一个Match对象； 如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。 pos和endpos的默认值分别为0和len(string)； re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。 注意：这个方法并不是完全匹配。 当pattern结束时若string还有剩余字符，仍然视为成功。 想要完全匹配，可以在表达式末尾加上边界匹配符'$'。 下面来看一个Match的简单案例：
# encoding: UTF-8
import re
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello')
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello world!')
if match:
# 使用Match获得分组信息
print match.group()
### 输出 ###
# hello2.search
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。
从string的pos下标处起尝试匹配pattern，
如果pattern结束时仍可匹配，则返回一个Match对象；
若无法匹配，则将pos加1后重新尝试匹配；
直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string))；
re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
那么它和match有什么区别呢？
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
例如：
print(re.match(‘super’, ‘superstition’).span())
会返回(0, 5)
print(re.match(‘super’, ‘insuperable’))
则返回None
search()会扫描整个字符串并返回第一个成功的匹配
例如：
print(re.search(‘super’, ‘superstition’).span())
返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())
返回(2, 7)
看一个search的实例：
# -*- coding: utf-8 -*-
#一个简单的search实例
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 = pattern.search('hello world!')
if match:
# 使用Match获得分组信息
print match.group()
### 输出 ###
# world3.split
split(string[, maxsplit]) | 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。
import re p = re.compile(r'\d+') print p.split('one1two2three3four4') ### output ### # ['one', 'two', 'three', 'four', '']
4.findall
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。
import re p = re.compile(r'\d+') print p.findall('one1two2three3four4') ### output ### # ['1', '2', '3', '4']
5.finditer
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。
import re
p = re.compile(r'\d+')
for m in p.finditer('one1two2three3four4'):
print m.group(),
### output ###
# 1 2 3 46.sub
sub(repl, string[, count]) | 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
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。
import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print p.sub(r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print p.sub(func, s)
### output ###
# say i, world hello!
# I Say, Hello World!7.subn
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。
import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print p.subn(r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print p.subn(func, s)
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)至此，Python的正则表达式基本介绍就算是完成了^_^
以上就是[Python]网络爬虫（七）：Python中的正则表达式教程的内容，更多相关内容请关注PHP中文网（www.php.cn）！