【Python3網路爬蟲開發實戰】3.3-正則表達式

本節中，我們看一下正則表達式的相關用法。正則表達式是處理字元串的強大工具，它有自己特定的語法結構，有了它，實現字元串的檢索、替換、匹配驗證都不在話下。

當然，對於爬蟲來說，有了它，從HTML里提取想要的信息就非常方便了。

1. 實例引入

說了這麼多，可能我們對它到底是個什麼還是比較模糊，下面就用幾個實例來看一下正則表達式的用法。

打開開源中國提供的正則表達式測試工具http://tool.oschina.net/regex/，輸入待匹配的文本，然後選擇常用的正則表達式，就可以得出相應的匹配結果了。例如，這裡輸入待匹配的文本如下：

Hello, my phone number is 010-86432100 and email is cqc@cuiqingcai.com, and my website is http://cuiqingcai.com.

這段字元串中包含了一個電話號碼和一個電子郵件，接下來就嘗試用正則表達式提取出來，如圖3-10所示。

圖3-10 運行頁面

在網頁右側選擇「匹配Email地址」，就可以看到下方出現了文本中的E-mail。如果選擇「匹配網址URL」，就可以看到下方出現了文本中的URL。是不是非常神奇？

其實，這裡就是用了正則表達式匹配，也就是用一定的規則將特定的文本提取出來。比如，電子郵件開頭是一段字元串，然後是一個@符號，最後是某個域名，這是有特定的組成格式的。另外，對於URL，開頭是協議類型，然後是冒號加雙斜線，最後是域名加路徑。

對於URL來說，可以用下面的正則表達式匹配：

[a-zA-z]+://[^s]*

用這個正則表達式去匹配一個字元串，如果這個字元串中包含類似URL的文本，那就會被提取出來。

這個正則表達式看上去是亂糟糟的一團，其實不然，這裡面都是有特定的語法規則的。比如，a-z代表匹配任意的小寫字母，s表示匹配任意的空白字元，*就代表匹配前面的字元任意多個，這一長串的正則表達式就是這麼多匹配規則的組合。

寫好正則表達式後，就可以拿它去一個長字元串里匹配查找了。不論這個字元串裡面有什麼，只要符合我們寫的規則，統統可以找出來。對於網頁來說，如果想找出網頁源代碼里有多少URL，用匹配URL的正則表達式去匹配即可。

上面我們說了幾個匹配規則，表3-2列出了常用的匹配規則。

表3-2 常用的匹配規則

看完了之後，可能有點暈暈的吧，不過不用擔心，後面我們會詳細講解一些常見規則的用法。

其實正則表達式不是Python獨有的，它也可以用在其他編程語言中。但是Python的re庫提供了整個正則表達式的實現，利用這個庫，可以在Python中使用正則表達式。在Python中寫正則表達式幾乎都用這個庫，下面就來了解它的一些常用方法。

2. match()

這裡首先介紹第一個常用的匹配方法——match()，向它傳入要匹配的字元串以及正則表達式，就可以檢測這個正則表達式是否匹配字元串。

match()方法會嘗試從字元串的起始位置匹配正則表達式，如果匹配，就返回匹配成功的結果；如果不匹配，就返回None。示例如下：

import recontent = Hello 123 4567 World_This is a Regex Demoprint(len(content))result = re.match(^Hellosdddsd{4}sw{10}, content)print(result)print(result.group())print(result.span())

運行結果如下：

41<_sre.SRE_Match object; span=(0, 25), match=Hello 123 4567 World_This>Hello 123 4567 World_This(0, 25)

這裡首先聲明了一個字元串，其中包含英文字母、空白字元、數字等。接下來，我們寫一個正則表達式：

^Hellosdddsd{4}sw{10}

用它來匹配這個長字元串。開頭的^是匹配字元串的開頭，也就是以Hello開頭；然後s匹配空白字元，用來匹配目標字元串的空格；d匹配數字，3個d匹配123；然後再寫1個s匹配空格；後面還有4567，我們其實可以依然用4個d來匹配，但是這麼寫比較煩瑣，所以後面可以跟{4}以代表匹配前面的規則4次，也就是匹配4個數字；然後後面再緊接1個空白字元，最後w{10}匹配10個字母及下劃線。我們注意到，這裡其實並沒有把目標字元串匹配完，不過這樣依然可以進行匹配，只不過匹配結果短一點而已。

而在match()方法中，第一個參數傳入了正則表達式，第二個參數傳入了要匹配的字元串。

列印輸出結果，可以看到結果是SRE_Match對象，這證明成功匹配。該對象有兩個方法：group()方法可以輸出匹配到的內容，結果是Hello 123 4567 World_This，這恰好是正則表達式規則所匹配的內容；span()方法可以輸出匹配的範圍，結果是(0, 25)，這就是匹配到的結果字元串在原字元串中的位置範圍。

通過上面的例子，我們基本了解了如何在Python中使用正則表達式來匹配一段文字。

匹配目標

剛才我們用match()方法可以得到匹配到的字元串內容，但是如果想從字元串中提取一部分內容，該怎麼辦呢？就像最前面的實例一樣，從一段文本中提取出郵件或電話號碼等內容。

這裡可以使用()括弧將想提取的子字元串括起來。()實際上標記了一個子表達式的開始和結束位置，被標記的每個子表達式會依次對應每一個分組，調用group()方法傳入分組的索引即可獲取提取的結果。示例如下：

import recontent = Hello 1234567 World_This is a Regex Demoresult = re.match(^Hellos(d+)sWorld, content)print(result)print(result.group())print(result.group(1))print(result.span())

這裡我們想把字元串中的1234567提取出來，此時可以將數字部分的正則表達式用()括起來，然後調用了group(1)獲取匹配結果。

運行結果如下：

<_sre.SRE_Match object; span=(0, 19), match=Hello 1234567 World>Hello 1234567 World1234567(0, 19)

可以看到，我們成功得到了1234567。這裡用的是group(1)，它與group()有所不同，後者會輸出完整的匹配結果，而前者會輸出第一個被()包圍的匹配結果。假如正則表達式後面還有()包括的內容，那麼可以依次用group(2)、group(3)等來獲取。

通用匹配

剛才我們寫的正則表達式其實比較複雜，出現空白字元我們就寫s匹配，出現數字我們就用d匹配，這樣的工作量非常大。其實完全沒必要這麼做，因為還有一個萬能匹配可以用，那就是.*（點星）。其中.（點）可以匹配任意字元（除換行符），*（星）代表匹配前面的字元無限次，所以它們組合在一起就可以匹配任意字元了。有了它，我們就不用挨個字元地匹配了。

接著上面的例子，我們可以改寫一下正則表達式：

import recontent = Hello 123 4567 World_This is a Regex Demoresult = re.match(^Hello.*Demo$, content)print(result)print(result.group())print(result.span())

這裡我們將中間部分直接省略，全部用.*來代替，最後加一個結尾字元串就好了。運行結果如下：

<_sre.SRE_Match object; span=(0, 41), match=Hello 123 4567 World_This is a Regex Demo>Hello 123 4567 World_This is a Regex Demo(0, 41)

可以看到，group()方法輸出了匹配的全部字元串，也就是說我們寫的正則表達式匹配到了目標字元串的全部內容；span()方法輸出(0, 41)，這是整個字元串的長度。

因此，我們可以使用.*簡化正則表達式的書寫。

貪婪與非貪婪

使用上面的通用匹配.*時，可能有時候匹配到的並不是我們想要的結果。看下面的例子：

import recontent = Hello 1234567 World_This is a Regex Demoresult = re.match(^He.*(d+).*Demo$, content)print(result)print(result.group(1))

這裡我們依然想獲取中間的數字，所以中間依然寫的是(d+)。而數字兩側由於內容比較雜亂，所以想省略來寫，都寫成 .*。最後，組成^He.*(d+).*Demo$，看樣子並沒有什麼問題。我們看下運行結果：

<_sre.SRE_Match object; span=(0, 40), match=Hello 1234567 World_This is a Regex Demo>7

奇怪的事情發生了，我們只得到了7這個數字，這是怎麼回事呢？

這裡就涉及一個貪婪匹配與非貪婪匹配的問題了。在貪婪匹配下，.*會匹配儘可能多的字元。正則表達式中.*後面是d+，也就是至少一個數字，並沒有指定具體多少個數字，因此，.*就儘可能匹配多的字元，這裡就把123456匹配了，給d+留下一個可滿足條件的數字7，最後得到的內容就只有數字7了。

但這很明顯會給我們帶來很大的不便。有時候，匹配結果會莫名其妙少了一部分內容。其實，這裡只需要使用非貪婪匹配就好了。非貪婪匹配的寫法是.*?，多了一個?，那麼它可以達到怎樣的效果？我們再用實例看一下：

import recontent = Hello 1234567 World_This is a Regex Demoresult = re.match(^He.*?(d+).*Demo$, content)print(result)print(result.group(1))

這裡我們只是將第一個.*改成了.*?，轉變為非貪婪匹配。結果如下：

<_sre.SRE_Match object; span=(0, 40), match=Hello 1234567 World_This is a Regex Demo>1234567

此時就可以成功獲取1234567了。原因可想而知，貪婪匹配是儘可能匹配多的字元，非貪婪匹配就是儘可能匹配少的字元。當.*?匹配到Hello後面的空白字元時，再往後的字元就是數字了，而d+恰好可以匹配，那麼這裡.*?就不再進行匹配，交給d+去匹配後面的數字。所以這樣.*?匹配了儘可能少的字元，d+的結果就是1234567了。

所以說，在做匹配的時候，字元串中間盡量使用非貪婪匹配，也就是用.*?來代替.*，以免出現匹配結果缺失的情況。

但這裡需要注意，如果匹配的結果在字元串結尾，.*?就有可能匹配不到任何內容了，因為它會匹配儘可能少的字元。例如：

import recontent = http://weibo.com/comment/kEraCNresult1 = re.match(http.*?comment/(.*?), content)result2 = re.match(http.*?comment/(.*), content)print(result1, result1.group(1))print(result2, result2.group(1))

運行結果如下：

result1 result2 kEraCN

可以觀察到，.*?沒有匹配到任何結果，而.*則盡量匹配多的內容，成功得到了匹配結果。

修飾符

正則表達式可以包含一些可選標誌修飾符來控制匹配的模式。修飾符被指定為一個可選的標誌。我們用實例來看一下：

import recontent = Hello 1234567 World_Thisis a Regex Demoresult = re.match(^He.*?(d+).*?Demo$, content)print(result.group(1))

和上面的例子相仿，我們在字元串中加了換行符，正則表達式還是一樣的，用來匹配其中的數字。看一下運行結果：

AttributeError Traceback (most recent call last)<ipython-input-18-c7d232b39645> in <module>() 5 6 result = re.match(^He.*?(d+).*?Demo$, content)----> 7 print(result.group(1))AttributeError: NoneType object has no attribute group

運行直接報錯，也就是說正則表達式沒有匹配到這個字元串，返回結果為None，而我們又調用了group()方法導致AttributeError。

那麼，為什麼加了一個換行符，就匹配不到了呢？這是因為.匹配的是除換行符之外的任意字元，當遇到換行符時，.*?就不能匹配了，所以導致匹配失敗。這裡只需加一個修飾符re.S，即可修正這個錯誤：

result = re.match(^He.*?(d+).*?Demo$, content, re.S)

這個修飾符的作用是使.匹配包括換行符在內的所有字元。此時運行結果如下：

1234567

這個re.S在網頁匹配中經常用到。因為HTML節點經常會有換行，加上它，就可以匹配節點與節點之間的換行了。

另外，還有一些修飾符，在必要的情況下也可以使用，如表3-3所示。

表3-3 修飾符

在網頁匹配中，較為常用的有re.S和re.I。

轉義匹配

我們知道正則表達式定義了許多匹配模式，如.匹配除換行符以外的任意字元，但是如果目標字元串裡面就包含.，那該怎麼辦呢？

這裡就需要用到轉義匹配了，示例如下：

import recontent = (百度)www.baidu.comresult = re.match((百度)www.baidu.com, content)print(result)

當遇到用於正則匹配模式的特殊字元時，在前面加反斜線轉義一下即可。例如.就可以用.來匹配，運行結果如下：

<_sre.SRE_Match object; span=(0, 17), match=(百度)www.baidu.com>

可以看到，這裡成功匹配到了原字元串。

這些是寫正則表達式常用的幾個知識點，熟練掌握它們對後面寫正則表達式匹配非常有幫助。

3. search()

前面提到過，match()方法是從字元串的開頭開始匹配的，一旦開頭不匹配，那麼整個匹配就失敗了。我們看下面的例子：

import recontent = Extra stings Hello 1234567 World_This is a Regex Demo Extra stingsresult = re.match(Hello.*?(d+).*?Demo, content)print(result)

這裡的字元串以Extra開頭，但是正則表達式以Hello開頭，整個正則表達式是字元串的一部分，但是這樣匹配是失敗的。運行結果如下：

None

因為match()方法在使用時需要考慮到開頭的內容，這在做匹配時並不方便。它更適合用來檢測某個字元串是否符合某個正則表達式的規則。

這裡就有另外一個方法search()，它在匹配時會掃描整個字元串，然後返回第一個成功匹配的結果。也就是說，正則表達式可以是字元串的一部分，在匹配時，search()方法會依次掃描字元串，直到找到第一個符合規則的字元串，然後返回匹配內容，如果搜索完了還沒有找到，就返回None。

我們把上面代碼中的match()方法修改成search()，再看下運行結果：

<_sre.SRE_Match object; span=(13, 53), match=Hello 1234567 World_This is a Regex Demo>1234567

這時就得到了匹配結果。

因此，為了匹配方便，我們可以盡量使用search()方法。

下面再用幾個實例來看看search()方法的用法。

首先，這裡有一段待匹配的HTML文本，接下來寫幾個正則表達式實例來實現相應信息的提取：

html = <div id="songs-list"> <h2 class="title">經典老歌</h2> <p class="introduction"> 經典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任賢齊">滄海一聲笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齊秦">往事隨風</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光輝歲月</a></li> <li data-view="5"><a href="/5.mp3" singer="陳慧琳">記事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="鄧麗君"><i class="fa fa-user"></i>但願人長久</a> </li> </ul></div>

可以觀察到，ul節點裡有許多li節點，其中li節點中有的包含a節點，有的不包含a節點，a節點還有一些相應的屬性——超鏈接和歌手名。

首先，我們嘗試提取class為active的li節點內部的超鏈接包含的歌手名和歌名，此時需要提取第三個li節點下a節點的singer屬性和文本。

此時正則表達式可以以li開頭，然後尋找一個標誌符active，中間的部分可以用.*?來匹配。接下來，要提取singer這個屬性值，所以還需要寫入singer="(.*?)"，這裡需要提取的部分用小括弧括起來，以便用group()方法提取出來，它的兩側邊界是雙引號。然後還需要匹配a節點的文本，其中它的左邊界是>，右邊界是</a>。然後目標內容依然用(.*?)來匹配，所以最後的正則表達式就變成了：

<li.*?active.*?singer="(.*?)">(.*?)</a>

然後再調用search()方法，它會搜索整個HTML文本，找到符合正則表達式的第一個內容返回。

另外，由於代碼有換行，所以這裡第三個參數需要傳入re.S。整個匹配代碼如下：

result = re.search(<li.*?active.*?singer="(.*?)">(.*?)</a>, html, re.S)if result: print(result.group(1), result.group(2))

由於需要獲取的歌手和歌名都已經用小括弧包圍，所以可以用group()方法獲取。

運行結果如下：

齊秦 往事隨風

可以看到，這正是class為active的li節點內部的超鏈接包含的歌手名和歌名。

如果正則表達式不加active（也就是匹配不帶class為active的節點內容），那會怎樣呢？我們將正則表達式中的active去掉，代碼改寫如下：

result = re.search(<li.*?singer="(.*?)">(.*?)</a>, html, re.S)if result: print(result.group(1), result.group(2))

由於search()方法會返回第一個符合條件的匹配目標，這裡結果就變了：

任賢齊 滄海一聲笑

把active標籤去掉後，從字元串開頭開始搜索，此時符合條件的節點就變成了第二個li節點，後面的就不再匹配，所以運行結果就變成第二個li節點中的內容。

注意，在上面的兩次匹配中，search()方法的第三個參數都加了re.S，這使得.*?可以匹配換行，所以含有換行的li節點被匹配到了。如果我們將其去掉，結果會是什麼？代碼如下：

result = re.search(<li.*?singer="(.*?)">(.*?)</a>, html)if result: print(result.group(1), result.group(2))

運行結果如下：

beyond 光輝歲月

可以看到，結果變成了第四個li節點的內容。這是因為第二個和第三個li節點都包含了換行符，去掉re.S之後，.*?已經不能匹配換行符，所以正則表達式不會匹配到第二個和第三個li節點，而第四個li節點中不包含換行符，所以成功匹配。

由於絕大部分的HTML文本都包含了換行符，所以盡量都需要加上re.S修飾符，以免出現匹配不到的問題。

4. findall()

前面我們介紹了search()方法的用法，它可以返回匹配正則表達式的第一個內容，但是如果想要獲取匹配正則表達式的所有內容，那該怎麼辦呢？這時就要藉助findall()方法了。該方法會搜索整個字元串，然後返回匹配正則表達式的所有內容。

還是上面的HTML文本，如果想獲取所有a節點的超鏈接、歌手和歌名，就可以將search()方法換成findall()方法。如果有返回結果的話，就是列表類型，所以需要遍歷一下來依次獲取每組內容。代碼如下：

results = re.findall(<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>, html, re.S)print(results)print(type(results))for result in results: print(result) print(result[0], result[1], result[2])

運行結果如下：

[(/2.mp3, 任賢齊, 滄海一聲笑), (/3.mp3, 齊秦, 往事隨風), (/4.mp3, beyond, 光輝歲月), (/5.mp3, 陳慧琳, 記事本), (/6.mp3, 鄧麗君, 但願人長久)]<class list>(/2.mp3, 任賢齊, 滄海一聲笑)/2.mp3 任賢齊 滄海一聲笑(/3.mp3, 齊秦, 往事隨風)/3.mp3 齊秦 往事隨風(/4.mp3, beyond, 光輝歲月)/4.mp3 beyond 光輝歲月(/5.mp3, 陳慧琳, 記事本)/5.mp3 陳慧琳 記事本(/6.mp3, 鄧麗君, 但願人長久)/6.mp3 鄧麗君 但願人長久

可以看到，返回的列表中的每個元素都是元組類型，我們用對應的索引依次取出即可。

如果只是獲取第一個內容，可以用search()方法。當需要提取多個內容時，可以用findall()方法。

5. sub()

除了使用正則表達式提取信息外，有時候還需要藉助它來修改文本。比如，想要把一串文本中的所有數字都去掉，如果只用字元串的replace()方法，那就太煩瑣了，這時可以藉助sub()方法。示例如下：

import recontent = 54aK54yr5oiR54ix5L2gcontent = re.sub(d+, , content)print(content)

運行結果如下：

aKyroiRixLg

這裡只需要給第一個參數傳入d+來匹配所有的數字，第二個參數為替換成的字元串（如果去掉該參數的話，可以賦值為空），第三個參數是原字元串。

在上面的HTML文本中，如果想獲取所有li節點的歌名，直接用正則表達式來提取可能比較煩瑣。比如，可以寫成這樣子：

results = re.findall(<li.*?>s*?(<a.*?>)?(w+)(</a>)?s*?</li>, html, re.S)for result in results: print(result[1])

運行結果如下：

一路上有你滄海一聲笑往事隨風光輝歲月記事本但願人長久

此時藉助sub()方法就比較簡單了。可以先用sub()方法將a節點去掉，只留下文本，然後再利用findall()提取就好了：

html = re.sub(<a.*?>|</a>, , html)print(html)results = re.findall(<li.*?>(.*?)</li>, html, re.S)for result in results: print(result.strip())

運行結果如下：

<div id="songs-list"> <h2 class="title">經典老歌</h2> <p class="introduction"> 經典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> 滄海一聲笑 </li> <li data-view="4" class="active"> 往事隨風 </li> <li data-view="6">光輝歲月</li> <li data-view="5">記事本</li> <li data-view="5"> 但願人長久 </li> </ul></div>一路上有你滄海一聲笑往事隨風光輝歲月記事本但願人長久

可以看到，a節點經過sub()方法處理後就沒有了，然後再通過findall()方法直接提取即可。可以看到，在適當的時候，藉助sub()方法可以起到事半功倍的效果。

6. compile()

前面所講的方法都是用來處理字元串的方法，最後再介紹一下compile()方法，這個方法可以將正則字元串編譯成正則表達式對象，以便在後面的匹配中復用。示例代碼如下：

import recontent1 = 2016-12-15 12:00content2 = 2016-12-17 12:55content3 = 2016-12-22 13:21pattern = re.compile(d{2}:d{2})result1 = re.sub(pattern, , content1)result2 = re.sub(pattern, , content2)result3 = re.sub(pattern, , content3)print(result1, result2, result3)

例如，這裡有3個日期，我們想分別將3個日期中的時間去掉，這時可以藉助sub()方法。該方法的第一個參數是正則表達式，但是這裡沒有必要重複寫3個同樣的正則表達式，此時可以藉助compile()方法將正則表達式編譯成一個正則表達式對象，以便復用。

運行結果如下：

2016-12-15 2016-12-17 2016-12-22

另外，compile()還可以傳入修飾符，例如re.S等修飾符，這樣在search()、findall()等方法中就不需要額外傳了。所以，compile()方法可以說是給正則表達式做了一層封裝，以便我們更好地復用。

到此為止，正則表達式的基本用法就介紹完了，後面會通過具體的實例來講解正則表達式的用法。

本資源首發於崔慶才的個人博客靜覓： Python3網路爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注我的個人微信公眾號：進擊的Coder

http://weixin.qq.com/r/5zsjOyvEZXYarW9Y9271 (二維碼自動識別)