python中爬蟲常用到的正則表達式
正則表達式與爬蟲：
爬蟲四個主要步驟：
? 明確目標 (要知道你準備在哪個範圍或者網站去搜索)
? 爬 (將所有的網站的內容全部爬下來)
? 取 (去掉對我們沒用處的數據)
? 處理數據（按照我們想要的方式存儲和使用）
那麼在文本過濾這塊最強大的就是正則表達式，更是python爬蟲世界必不可少利器。
什麼是正則表達式
正則表達式，又稱規則表達式，通常被用來檢索、替換那些符合某個模式(規則)的文本。
正則表達式是對字元串操作的一種邏輯公式，就是用事先定義好的一些特定字元、及這些特定字元的組合，組成一個「規則字元串」，這個「規則字元串」用來表達對字元串的一種過濾邏輯。
給定一個正則表達式和另一個字元串，我們可以達到如下的目的：
? 給定的字元串是否符合正則表達式的過濾邏輯（「匹配」）；
? 通過正則表達式，從文本字元串中獲取我們想要的特定部分（「過濾」）。
正則表達式匹配規則
Python 的 re 模塊
在 Python 中，我們可以使用內置的 re 模塊來使用正則表達式。
有一點需要特別注意的是，正則表達式使用 對特殊字元進行轉義，所以如果我們要使用原始字元串，只需加一個 r 前綴：
re 模塊的一般使用步驟如下：
? 使用 compile() 函數將正則表達式的字元串形式編譯為一個 Pattern 對象
? 通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果，一個 Match 對象。
? 最後使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作
compile 函數
compile 函數用於編譯正則表達式，生成一個 Pattern 對象，它的一般使用形式如下：
import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(rd+)
在上面，我們已將一個正則表達式編譯成 Pattern 對象，接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。
Pattern 對象的一些常用方法主要有：
? match 方法：從起始位置開始查找，一次匹配
? search 方法：從任何位置開始查找，一次匹配
? findall 方法：全部匹配，返回列表
? finditer 方法：全部匹配，返回迭代器
? split 方法：分割字元串，返回列表
? sub 方法：替換
match 方法
match 方法用於查找字元串的頭部（也可以指定起始位置），它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果。它的一般使用形式如下：
match(string[, pos[, endpos]])
其中，string 是待匹配的字元串，pos 和 endpos 是可選參數，指定字元串的起始和終點位置，默認值分別是 0 和 len (字元串長度)。因此，當你不指定 pos 和 endpos 時，match 方法默認匹配字元串的頭部。
當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。
>>> import re
>>> pattern = re.compile(rd+) # 用於匹配至少一個數字
>>> m = pattern.match( okk12hellohai34fine) # 查找頭部，沒有匹配
>>> print m
None
>>> m = pattern.match( okk12hellohai34fine , 2, 10) # 從k的位置開始匹配，沒有匹配
>>> print m
None
>>> m = pattern.match( okk12hellohai34fine , 3, 10) # 從1的位置開始匹配，正好匹配
>>> print m # 返回一個 Match 對象
<_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0) # 可省略 0
12
>>> m.start(0) # 可省略 0
3
>>> m.end(0) # 可省略 0
5
>>> m.span(0) # 可省略 0
(3, 5)
在上面，當匹配成功時返回一個 Match 對象，其中：
? group([group1, …]) 方法用於獲得一個或多個分組匹配的字元串，當要獲得整個匹配的子串時，可直接使用 group() 或 group(0)；
? start([group]) 方法用於獲取分組匹配的子串在整個字元串中的起始位置（子串第一個字元的索引），參數默認值為 0；
? end([group]) 方法用於獲取分組匹配的子串在整個字元串中的結束位置（子串最後一個字元的索引+1），參數默認值為 0；
? span([group]) 方法返回 (start(group), end(group))。
再看看一個例子：
>>> import re
>>> pattern = re.compile(r([a-z]+) ([a-z]+), re.I) # re.I 表示忽略大小寫
>>> m = pattern.match(Hello World Wife Web)
>>> print m # 匹配成功，返回一個 Match 對象
<_sre.SRE_Match object at 0x10bea83e8>
>>> m.group(0) # 返回匹配成功的整個子串
Hello World
>>> m.span(0) # 返回匹配成功的整個子串的索引
(0, 11)
>>> m.group(1) # 返回第一個分組匹配成功的子串
Hello
>>> m.span(1) # 返回第一個分組匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二個分組匹配成功的子串
World
>>> m.span(2) # 返回第二個分組匹配成功的子串
(6, 11)
>>> m.groups() # 等價於 (m.group(1), m.group(2), ...)
(Hello, World)
>>> m.group(3) # 不存在第三個分組
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: no such group
search 方法
search 方法用於查找字元串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，它的一般使用形式如下：
search(string[, pos[, endpos]])
其中，string 是待匹配的字元串，pos 和 endpos 是可選參數，指定字元串的起始和終點位置，默認值分別是 0 和 len (字元串長度)。
當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。
讓我們看看例子：
>>> import re
>>> pattern = re.compile(d+)
>>> m = pattern.search( okk12hellohai34fine ) # 這裡如果使用 match 方法則不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
12
>>> m = pattern.search( okk12hellohai34fine , 10, 30) # 指定字元串區間
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
34
>>> m.span()
(13, 15)
再來看一個例子：
import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(rd+)
# 使用 search() 查找匹配的子串，不存在匹配的子串時將返回 None
# 這裡使用 match() 無法成功匹配
m = pattern.search(hello 123456 789)
if m:
# 使用 Match 獲得分組信息
print matching string:,m.group()
# 起始位置和結束位置
print position:,m.span()
執行結果：
matching string: 123456
position: (6, 12)
findall 方法
上面的 match 和 search 方法都是一次匹配，只要找到了一個匹配的結果就返回。然而，在大多數時候，我們需要搜索整個字元串，獲得所有匹配的結果。
findall 方法的使用形式如下：
findall(string[, pos[, endpos]])
其中，string 是待匹配的字元串，pos 和 endpos 是可選參數，指定字元串的起始和終點位置，默認值分別是 0 和 len (字元串長度)。
findall 以列表形式返回全部能匹配的子串，如果沒有匹配，則返回一個空列表。
看看例子：
import re
pattern = re.compile(rd+) # 查找數字
result1 = pattern.findall(hello 123456 789)
result2 = pattern.findall(one1two2three3four4, 0, 10)
print result1
print result2
執行結果：
[123456, 789]
[1, 2]
finditer 方法
finditer 方法的行為跟 findall 的行為類似，也是搜索整個字元串，獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果（Match 對象）的迭代器。
split 方法
split 方法按照能夠匹配的子串將字元串分割後返回列表，它的使用形式如下：
split(string[, maxsplit])
其中，maxsplit 用於指定最大分割次數，不指定將全部分割。
看看例子：
import re
p = re.compile(r[s,;]+)
print p.split(a,b;; c d)
執行結果：
[a, b, c, d]
sub 方法
sub 方法用於替換。它的使用形式如下：
sub(repl, string[, count])
其中，repl 可以是字元串也可以是一個函數：
? 如果 repl 是字元串，則會使用 repl 去替換字元串每一個匹配的子串，並返回替換後的字元串，另外，repl 還可以使用 id 的形式來引用分組，但不能使用編號 0；
? 如果 repl 是函數，這個方法應當只接受一個參數（Match 對象），並返回一個字元串用於替換（返回的字元串中不能再引用分組）。
? count 用於指定最多替換次數，不指定時全部替換。
看看例子：
import re
p = re.compile(r(w+) (w+)) # w = [A-Za-z0-9]
s = hello 123, hello 456
print p.sub(rhello world, s) # 使用 hello world 替換 hello 123 和 hello 456
print p.sub(r2 1, s) # 引用分組
def func(m):
return hi + + m.group(2)
print p.sub(func, s)
print p.sub(func, s, 1) # 最多替換一次
執行結果：
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
推薦閱讀：