正则表达式 提取数据

Python爬虫教程
Search…
Python爬虫教程
分布式爬虫从零开始
正则表达式提取数据
正则表达式
1. 正则表达式概念
正则表达式就是记录文本规则的代码
2. 正则表达式的样子
0\d{2}-\d{8} 这个就是一个正则表达式，表达的意思是匹配的是座机号码
3. 正则表达式的特点
正则表达式的语法很令人头疼，可读性差
正则表达式通用行很强，能够适用于很多编程语言
1. re模块的使用过程
在Python中需要通过正则表达式对字符串进行匹配的时候，可以使用一个模块，名字为re
    # 导入re模块
    import re
​
    # 使用match方法进行匹配操作
    result = re.match(正则表达式,要匹配的字符串)
​
    # 如果上一步匹配到数据的话，可以使用group方法来提取数据
    result.group()
2. re模块示例
    #coding=utf-8
​
    import re
​
    result = re.match("hello","hello.cn")
​
    result.group()
运行结果为：
hello
定义
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。
常见语法
字符
语法
说明
表达式案例
完整匹配字符串
一般字符
匹配自身
abc
abc
.
匹配任意除换行符\n外的字符。在DOTALL模式中也能匹配换行符
a.c
abc
\
转义字符，使后一个字符表示字符本身。
a.c
a.c
[...]
选取字符范围
a[bcd]e
abe 或 ace 或 ade
预定义字符集（可以写在字符集[...]中）
语法
说明
表达式案例
完整匹配字符串
\d
数字:[0-9]
a\dc
a1c
\D
非数字:
a\Dc
abc
\s
空白字符:[<空格>\t\r\n\f\v]
a\sc
a c
\S
非空白字符:
a\Sc
abc
\w
单词字符:[A-Za-z0-9_]
a\wc
abc
\W
非单词字符:
a\Wc
a c
数量词（用在字符或(...)之后）
语法
说明
表达式案例
完整匹配字符串
*
匹配前一个字符0次或无限次。
abc*
abccc
+
匹配前一个字符1次或无限次。
abc+
abccc
?
匹配前一个字符0次或1次。
abc?
abc 或 ab
{m}
匹配前一个字符m次。
ab{2}c
abbc
匹配单个字符
示例1：
#coding=utf-8
​
import re
​
ret = re.match(".","M")
print(ret.group())
​
ret = re.match("t.o","too")
print(ret.group())
​
ret = re.match("t.o","two")
print(ret.group())
运行结果：
M
too
two
示例2：[]
import re
​
# 如果hello的首字符小写，那么正则表达式需要小写的h
ret = re.match("h","hello Python") 
print(ret.group())
​
​
# 如果hello的首字符大写，那么正则表达式需要大写的H
ret = re.match("H","Hello Python") 
print(ret.group())
​
# 大小写h都可以的情况
ret = re.match("[hH]","hello Python")
print(ret.group())
ret = re.match("[hH]","Hello Python")
print(ret.group())
ret = re.match("[hH]ello Python","Hello Python")
print(ret.group())
​
# 匹配0到9第一种写法
ret = re.match("[0123456789]Hello Python","7Hello Python")
print(ret.group())
​
# 匹配0到9第二种写法
ret = re.match("[0-9]Hello Python","7Hello Python")
print(ret.group())
​
ret = re.match("[0-35-9]Hello Python","7Hello Python")
print(ret.group())
​
# 下面这个正则不能够匹配到数字4，因此ret为None
ret = re.match("[0-35-9]Hello Python","4Hello Python")
# print(ret.group())
运行结果：
h
H
h
H
Hello Python
7Hello Python
7Hello Python
7Hello Python
示例3：\d
import re
​
# 普通的匹配方式
ret = re.match("嫦娥1号","嫦娥1号发射成功") 
print(ret.group())
​
ret = re.match("嫦娥2号","嫦娥2号发射成功") 
print(ret.group())
​
ret = re.match("嫦娥3号","嫦娥3号发射成功") 
print(ret.group())
​
# 使用\d进行匹配
ret = re.match("嫦娥\d号","嫦娥1号发射成功") 
print(ret.group())
​
ret = re.match("嫦娥\d号","嫦娥2号发射成功") 
print(ret.group())
​
ret = re.match("嫦娥\d号","嫦娥3号发射成功") 
print(ret.group())
运行结果：
嫦娥1号
嫦娥2号
嫦娥3号
嫦娥1号
嫦娥2号
嫦娥3号
示例4：\D
import re
​
match_obj = re.match("\D", "f")
if match_obj:
    # 获取匹配结果
    print(match_obj.group())
else:
    print("匹配失败")
运行结果:
f
示例5：\s
import re
​
# 空格属于空白字符
match_obj = re.match("hello\sworld", "hello world")
if match_obj:
    result = match_obj.group()
    print(result)
else:
    print("匹配失败")
​
​
​
# \t 属于空白字符
match_obj = re.match("hello\sworld", "hello\tworld")
if match_obj:
    result = match_obj.group()
    print(result)
else:
    print("匹配失败")
运行结果:
hello world
hello world
示例6：\S
import re
​
match_obj = re.match("hello\Sworld", "hello&world")
if match_obj:
    result = match_obj.group()
    print(result)
else:
    print("匹配失败")
​
​
​
match_obj = re.match("hello\Sworld", "hello$world")
if match_obj:
    result = match_obj.group()
    print(result)
else:
    print("匹配失败")
运行结果:
hello&world  
hello$world
示例7：\w
import re
​
# 匹配非特殊字符中的一位
match_obj = re.match("\w", "A")
if match_obj:
    # 获取匹配结果
    print(match_obj.group())
else:
    print("匹配失败")
执行结果:
A
示例8：\W
# 匹配特殊字符中的一位
match_obj = re.match("\W", "&")
if match_obj:
    # 获取匹配结果
    print(match_obj.group())
else:
    print("匹配失败")
执行结果:
&
思考
匹配密码中的其中一位，密码是由字母、数字、下划线组成，请列举的方式匹配?
匹配多个字符
示例1：*
需求：匹配出一个字符串第一个字母为大小字符，后面都是小写字母并且这些小写字母可 有可无
import re
​
ret = re.match("[A-Z][a-z]*","M")
print(ret.group())
​
ret = re.match("[A-Z][a-z]*","MnnM")
print(ret.group())
​
ret = re.match("[A-Z][a-z]*","Aabcdef")
print(ret.group())
运行结果：
M
Mnn
Aabcdef
示例2：+
需求：匹配一个字符串，第一个字符是t,最后一个字符串是o,中间至少有一个字符
import re
​
​
match_obj = re.match("t.+o", "two")
if match_obj:
    print(match_obj.group())
else:
    print("匹配失败")
运行结果：
two
示例3：?
需求：匹配出这样的数据，但是https 这个s可能有，也可能是http 这个s没有
import re
​
match_obj = re.match("https?", "http")
if match_obj:
    print(match_obj.group())
else:
    print("匹配失败")
运行结果：
https
示例4：{m}、{m,n}
需求：匹配出，8到20位的密码，可以是大小写英文字母、数字、下划线
import re
​
​
ret = re.match("[a-zA-Z0-9_]{6}","12a3g45678")
print(ret.group())
​
ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66")
print(ret.group())
运行结果：
12a3g4
1ad12f23s34455ff66
思考
如何使用正则表达式把qq:10567这样的数据匹配处理?
匹配开头和结尾
1. 匹配开头和结尾的正则表达式
代码
功能
^
匹配字符串开头
$
匹配字符串结尾
示例1：^
需求：匹配以数字开头的数据
import re
​
# 匹配以数字开头的数据
match_obj = re.match("^\d.*", "3hello")
if match_obj:
    # 获取匹配结果
    print(match_obj.group())
else:
    print("匹配失败")
运行结果:
3hello
示例2：$
需求: 匹配以数字结尾的数据
import re
# 匹配以数字结尾的数据
match_obj = re.match(".*\dquot;, "hello5")
if match_obj:
    # 获取匹配结果
    print(match_obj.group())
else:
    print("匹配失败")
运行结果：
hello5
示例3：^ 和 $
需求: 匹配以数字开头中间内容不管以数字结尾
match_obj = re.match("^\d.*\dquot;, "4hello4")
if match_obj:
    # 获取匹配结果
    print(match_obj.group())
else:
    print("匹配失败")
运行结果:
4hello4
2.除了指定字符以外都匹配
: 表示除了指定字符都匹配
需求: 第一个字符除了aeiou的字符都匹配
import re
​
​
match_obj = re.match("[^aeiou]", "h")
if match_obj:
    # 获取匹配结果
    print(match_obj.group())
else:
    print("匹配失败")
执行结果
h
思考
1.匹配以数字开头中间内容不管以数字结尾, 结尾不要4或者7
2.匹配出163的邮箱地址，且@符号之前有4到20位，例如[email protected]
3.匹配出11位手机号码
4.匹配出微博中的话题, 比如: #幸福是奋斗出来的#
高级匹配
compile 方法
作用
对正则表达式进行编译构建对象，后续不需要重新构建正则表达式上下文环境，从而提高效率
使用方式
# 构建表达式对象
pattern = re.compile(r'表达式')
# 通过表达式对象对数据进行操作
pattern.findall(string)
贪婪模式和非贪婪模式区别
贪婪模式
(.*) 尽可能多的匹配
非贪婪模式
(.*?) 一旦匹配到就结束
DOTALL模式
.符号匹配所有的字符包括换行符
#!/usr/bin/python3
# -*- coding: utf-8 -*-
​
import re
​
string = '''
    abcd
    abcd
'''
​
# 相当于
# 1. 编译正则表达式
# (.*)      贪婪匹配，尽可能多匹配直到无法匹配
# (.*?)     非贪婪匹配，只要匹配到就返回
#  . 符号默认不包含换行符，DOTALL模式表示让 . 符号匹配任何字符包括换行符
# re.DOTALL == re.S == re.RegexFlag.DOTALL == re.RegexFlag.S
pattern = re.compile(r'a(.*)d',re.RegexFlag.S)
​
# 2. 提取数据
result = pattern.findall(string)
print(result)
忽略大小写模式
正则匹配时忽略大小写
#!/usr/bin/python3
# -*- coding: utf-8 -*-
​
import re
​
​
string = '''
    abcD
    abcD
'''
​
# 相当于
# 1. 编译正则表达式
# (.*)      贪婪匹配，尽可能多匹配直到无法匹配
# (.*?)     非贪婪匹配，只要匹配到就返回
#  . 符号默认不包含换行符，DOTALL模式表示让 . 符号匹配任何字符包括换行符
# re.DOTALL == re.S == re.RegexFlag.DOTALL == re.RegexFlag.S
# 忽略大小写
# re.IGNORECASE == re.I == re.RegexFlag.IGNORECASE == re.RegexFlag.I
# 忽略大小写并且支持 DOTALL模式 使用 |
pattern = re.compile(r'a(.*)d',re.RegexFlag.IGNORECASE | re.DOTALL)
​
# 2. 提取数据
result = pattern.findall(string)
print(result)
原始字符串 r 的用法
让字符串内部的转义字符没有任何意义。
#!/usr/bin/python3
# -*- coding: utf-8 -*-
​
string = r"abc\nd"
print(string)
四大检索方法
match 开头匹配，只匹配一次
search 全局匹配，只匹配一次
findall 匹配所有符号条件的数据，返回是 结果列表
finditer 迭代对象，迭代 Match 对象
match 和 seach 区别
match 开头匹配，只匹配一次
search 全局匹配，只匹配一次
findall 和 finditer 区别
findall 优点：使用简单，缺点：必须把所有数据搜索返回再返回
finditer 优点：找到就返回，可以边找边返回
如果数据量小 使用 findall
如果数据量大 使用 finditer
代码实现
#!/usr/bin/python3
# -*- coding: utf-8 -*-
​
import re
​
string = "123abc123"
​
# match 开头匹配，只匹配一次
pattern = re.compile('\d+')
# result = pattern.match(string)
​
# search 全局匹配，只匹配一次
# result = pattern.search(string)
​
'''
findall 优点：使用简单，缺点：必须把所有数据搜索返回再返回
finditer 优点：找到就返回，可以边找边返回
如果数据量小 使用 findall
​
如果数据量大 使用 finditer
​
'''
# findall 匹配所有符号条件的数据，返回是 结果列表
# result = pattern.findall(string)
​
# finditer 迭代对象，迭代 Match 对象
results = pattern.finditer(string)
for result in results:
    print(result)
​
print(results)
分组与替换方法
分组
通过给定字符串进行对数据进行分组
#!/usr/bin/python3
# -*- coding: utf-8 -*-
​
import re
string = "a;dj jkl,jj; j;sd"
# split 分组
pattern = re.compile(r'[; ,]+')
result = pattern.split(string)
print(result)
替换
通过给定的正则表达式和替换字符进行替换
#!/usr/bin/python3
# -*- coding: utf-8 -*-
​
import re
​
# sub 交换
string = "hello world;sjd;ssdjkls;sdjk;crise lyj"
# 带 空格的词组替换成 #
pattern = re.compile(r'(\w+) (\w+)')
​
# 把 空格的词组 进行交换
result = pattern.sub(r"\2 \1",string)
​
print(result)
常见提取方式
使用流程
1.拷贝原有字符串内容
2.把所要提取的数据使用 (.*) 或 (.*?) 进行替换
3.使用 findall 或 finditer 进行数据提取
代码实现
#!/usr/bin/python3
# -*- coding: utf-8 -*-
​
import re
​
string = '<input type="submit" id="su" value="百度一下" class="bg s_btn">'
​
pattern = re.compile(r'<input type="submit" id="(.*?)" value="(.*?)" class="bg s_btn">')
​
result = pattern.findall(string)
print(result)
JSON数据提取
01-豆瓣电影
Last modified 2yr ago