python爬虫之正则详解

正则表达式是一种使用单个字符串来描述、匹配和定位文本中某个特定模式的工具。在 Python 编程语言中，正则表达式可以用来处理各种文本数据、数据采集和处理、爬虫和搜索等方面。在本文中，我们将学习如何在 Python 爬虫中使用正则表达式，包括语法规则，匹配模式，以及在代码中如何使用。

语法规则

在 Python 语言中，我们可以使用标准库中的 re 模块来处理正则表达式。

1. 创建正则表达式对象

要使用正则表达式，我们首先需要创建一个正则表达式对象。通常，我们可以使用 re.compile() 函数将正则表达式编译成一个对象。该方法接受一个正则表达式字符串作为参数，并返回编译后的正则表达式对象。

例如，下面的代码演示了如何创建一个正则表达式对象：

import re# 创建正则表达式对象
pattern = re.compile(r'hello')

2. 正则表达式字符集

在编写正则表达式时，可以使用字符集来匹配特定的字符或字符序列。字符集中的每个字符表示匹配过程中的一个字母、数字或特殊字符。下面是一些常用的字符集：

字符	描述
.	匹配任何字符
\d	匹配任何一个数字字符
\D	匹配任何非数字字符
\w	匹配任何字母数字字符
\W	匹配任何非字母数字字符
[abc]	匹配任何一个 a、b 或 c 字符
[^abc]	匹配任何不是 a、b 或 c 的字符
[a-zA-Z0-9]	匹配任何字母或数字字符。

下面的代码演示了如何使用正则表达式字符集匹配一个 IP 地址：

import re# 创建正则表达式对象
pattern = re.compile(r'\d+\.\d+\.\d+\.\d+')# 匹配 IP 地址
text = '127.0.0.1 localhost'
result = pattern.search(text)if result:print(result.group())

3. 正则表达式修饰符

在 Python 的正则表达式中，通过修饰符可以更改匹配行为。下面是一些常用的修饰符：

修饰符	描述
I	使匹配不区分大小写
S	让 “.” 匹配任何字符，包括换行符
M	多行匹配模式，匹配每行的开头和结尾
X	允许你编写更易读的正则表达式，可以灵活写注释。

下面的代码演示了如何使用修饰符来进行匹配：

import re# 匹配多行文本
pattern = re.compile('''^ # 匹配开头\w+ # 匹配一个或多个单词字符@ # 匹配 @ 符号\w+\.com  #匹配以 .com 结尾的域名$ # 匹配结尾
''', re.MULTILINE | re.X)# 测试多行文本
text = '''
jerry@yahoo.com
tom_grey@gmail.com
jack2012@163.com
'''
print(pattern.findall(text))

4. 正则表达式中的特殊元字符

在正则表达式中，还有一些特殊字符的含义可以不再匹配它们本身，而是匹配一些非常具体的内容。下面是一些常用的特殊元字符：

元字符	描述
^	匹配行的开头
$	匹配行的结尾
*	匹配 0 次或多次前面的字符
+	匹配 1 次或多次前面的字符
?	匹配 0 次或 1 次前面的字符
{m}	匹配 m 次前面的字符
{m,n}	匹配 m 到 n 次前面的字符
( )	分组匹配，捕获匹配的字符串，可以使用非捕获分组 (?: )
\	转义字符，可以将特殊字符转换为字面字符

下面的代码演示了如何使用正则表达式匹配字符串中的电话号码：

import re# 匹配电话号码
pattern = re.compile(r'(\d{3})-(\d{4}-\d{4})')# 测试字符串
text = 'Jerry\'s phone number is: 139-1111-2222, and Tom\'s is 137-2222-3333'# 匹配电话号码
result = pattern.search(text)# 输出结果
while result:print(result.group()) # 输出完整电话号码print(result.group(1)) # 输出区号print(result.group(2)) # 输出号码result = pattern.search(text, result.end()) # 继续查找下一个电话号码

5. 正则表达式函数

Python 的 re 模块中提供了很多函数来处理正则表达式，下面是一些常用的函数：

函数名	描述
`match()`	匹配一个字符串，并返回匹配对象
`search()`	在一个字符串中搜索匹配正则表达式的第一个位置，并返回匹配对象
`findall()`	在一个字符串中搜索匹配正则表达式的所有位置，并返回匹配对象列表
`finditer()`	在一个字符串中搜索匹配正则表达式的所有位置，并返回可迭代对象
`split()`	根据正则表达式分隔字符串并返回列表
`sub()`	使用一个字符串替换所有正则表达式匹配到的地方，并返回替换后的字符串
`subn()`	类似于 `sub()` 函数，但返回的是替换后的字符串和替换次数
`compile()`	编译正则表达式并返回正则表达式对象
`purge()`	删除缓存中的正则表达式
`template()`	通过使用占位符替换掉正则表达式中的某些部分，并返回替换后的字符串

下面是一个使用正则表达式进行匹配和替换的示例：

import re# 模式和替换字符串
pattern = re.compile(r'(\d{4})-(\d{2})-(\d{2})')
replace_str = r'\3/\2/\1'# 测试字符串
text = 'Today is 2022-08-30'# 替换日期格式
result = pattern.sub(replace_str, text)# 输出结果
print(result) # 输出 "Today is 30/08/2022"