爬虫之正则表达式

1.学习爬虫，为什么必须会正则表达式？
    我们爬取一些网页具体内容时，只需要这个网页某个标签的一部分内容就足够，或者是这个标签的某个属性的值时，用普通的 xpath 或者css.selector是不能完成的，此时我们就需用到正则表达式去匹配获取。
2.正则表达式官方简介？
    正则表达式，又称规则表达式。（在代码中常简写为regex、regexp或re），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

 1  '''
 2  正则表达式
 3  '''
 4  
 5  import re
 6  
 7  line = 'jijianxksa123'
 8 
 9 # ^a 表示匹配以a开头的字符串（只匹配一次）
10 # . 表示该字符可为任意字符（只匹配一次）
11 # * 表示前面的字符可以出现任意次（0次或多次）（多次匹配）
12 reg_str01 = '^j.*'    # 表示以j开头的字符串
13 # re.match 函数
14 # 第一个参数是匹配的格式
15 # 第二参数是要匹配的字符串
16 # 返回值为：匹配成功，返回match对象，否则返回：none
17 
18 if re.match(reg_str01,line) :
19     print("匹配成功！")  # reg_str = '^j.*'     匹配成功
20 else:
21     print("匹配失败！")  # reg_str = '^i.*'     匹配失败
22 
23 
24 # 23$ 表示匹配以23结尾的字符串（只匹配一次）
25 reg_str02 = '^j.*23$'
26 if re.match(reg_str02,line) :
27     print("匹配成功！")  # reg_str = '^j.*23$'     匹配成功
28 else:
29     print("匹配失败！")  # reg_str = '^j.*13$'     匹配失败
30 
31 
32 line01 = 'boooboaobxby'
33 # （） 内的为 匹配模式，通过 group函数 可以取出匹配结果
34 # 正则表达式贪婪匹配模式：从后面（右边）开始匹配
35 reg_str03 = '.*(b.*b).*'
36 test01 = re.match(reg_str03,line01)
37 if  test01:
38     print(test01.group(1))      # result : bxb
39 else:
40     print("匹配失败！")
41 
42 # 正则表达式非贪婪匹配模式：从前面（左边）开始匹配
43 # ? : 表示从左边开始匹配，匹配到第一个符合模式的内容，即进入模式
44 #
45 reg_str03 = '.*?(b.*b).*'   # 半贪婪匹配
46 reg_str04 = '.*?(b.*?b).*'  # 非贪婪匹配
47 test01 = re.match(reg_str03,line01)
48 test02 = re.match(reg_str04,line01)
49 if  test01 and test02:
50     print(test01.group(1))      # result : boooboaobxb
51     print(test02.group(1))  # result : booob
52 else:
53     print("匹配失败！")

 

 1  import re
 2  line01 = 'boooboaobcxby'
 3  
 4  def regtest(reg_str,line = line01):
 5     test = re.match(reg_str, line)
 6     if test:
 7         print(test.group(1))
 8     else:
 9         print("匹配失败！")
10 
11 # + ：表示前面的字符，至少出现一次
12 reg_str04 = '.*(b.+b).*'  # (b.+b)表示b与b之间至少有一个字符
13 regtest(reg_str04)      # result : bcxb
14 
15 # {n} : 控制前面字符出现次数
16 # a{2} : 表示a出现两次
17 # b{3,4} : 表示b至少出现3次，最多出4次
18 # c{4,} : 表示c至少出现4次
19 reg_str05 = '.*(b.{2}b).*'  # (b.{2}b)表示匹配到的b与b之间，只有两字符
20 reg_str06 = '.*(b.{3,4}b).*'  # (b.{3,6}b)表示匹配到的b与b之间,至少有3个字符，至多有4个字符
21 reg_str07 = '.*(b.{4,}b).*'  # (b.{8,}b)表示匹配到的b与b之间，至少有4个字符
22 regtest(reg_str05)   # result : bcxb
23 regtest(reg_str06)   # result : boaob
24 regtest(reg_str07)   # result : boaobcxb
25 
26 # | :表示 或
27 # (abc|123) : 表示匹配到 abc 或者 123,都算匹配成功
28 reg_str08 = '.*(boo|abc)'
29 reg_str09 = '.*(abc|boo)'
30 regtest(reg_str08)   # result : boo
31 regtest(reg_str09)   # result : boo
32 
33 # [] : 表示 里面包含的内容都可以进行匹配,包含内容只有表面字符含义
34 # [abcd] : 表示 只要这个字符为 a/b/c/d中的一个都可以匹配成功
35 # [0-9] : 表示 只要这个字符在 0-9 这个区间内，都可以匹配成功
36 # [^x] : 表示匹配 字符不为 x
37 line02 = '电话号：[phone]'
38 reg_str10 = '.*(1[3458][0-9]{9}).*'
39 reg_str11 = '.*(1[3458][^1]{9}).*'
40 regtest(reg_str10,line02)   # result : 15573563467
41 regtest(reg_str11,line02)   # result : 15573563467
42 
43 # \s 表示匹配空格，匹配一次
44 # \s 表示匹配不是空格的字符，匹配一次
45 # \w 表示匹配 a-z、0-9、_ 中的容易字符，匹配一次
46 # \w 与 \w 相反
47 # \d 表示数字
48 # [\u4e00-\u9fa5] : 表示所有汉字，unicode 编码
49 
50 def regtest_test(reg_str,line = line01):
51     test = re.match(reg_str, line)
52     if test:
53         print(test.group(1)+':'+test.group(2)+'-'+test.group(3)+'-'+test.group(4))
54     else:
55         print("匹配失败！")
56 
57 # 简单实例
58 str01 = '张三出生于1997年12月20日'
59 str02 = '李四出生于1989-01-20'
60 str03 = '王五出生于1997/2/5'
61 str04 = '赵六出生于1997.12.20'
62 str = [str01,str02,str03,str04]
63 # 提取出姓名+出生日期
64 # 匹配模式
65 reg_str12 = '(.*)出生于(\d{4})[.年/-](\d{1,2})[.月/-](\d{1,2}).*?'
66 for i in range(4):
67     regtest_test(reg_str12,str[i])
68 # result :
69 #       张三:1997-12-20
70 #       李四:1989-01-20
71 #       王五:1997-2-5
72 #       赵六:1997-12-20

注：此文来自网络，回归网络