Heim > Backend-Entwicklung > Python-Tutorial > [Python] Web Crawler (7): Tutorial zu regulären Ausdrücken in Python

[Python] Web Crawler (7): Tutorial zu regulären Ausdrücken in Python

黄舟
Freigeben: 2017-01-21 14:28:38
Original
1421 Leute haben es durchsucht

Als nächstes werde ich Aibai verwenden, um ein kleines Beispiel eines Crawlers zu erstellen.

Aber vorher wollen wir den zugehörigen Inhalt regulärer Ausdrücke in Python im Detail klären.

Die Rolle regulärer Ausdrücke in Python-Crawlern ist wie die Liste, die der Lehrer beim Appell verwendet. Es ist eine unverzichtbare magische Waffe.

Der folgende Inhalt stammt von CNBLOG: http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

Ich habe nicht darauf geachtet, wann Ich habe es bearbeitet, es tut mir wirklich leid.

Grundlagen regulärer Ausdrücke

1.1. Konzepteinführung

Reguläre Ausdrücke sind ein leistungsstarkes Werkzeug zur Verarbeitung von Zeichenfolgen und nicht Teil von Python.

Das Konzept der regulären Ausdrücke findet sich auch in anderen Programmiersprachen. Der einzige Unterschied besteht darin, dass verschiedene Programmiersprachen eine unterschiedliche Anzahl von Syntaxen unterstützen.

Es verfügt über eine eigene einzigartige Syntax und eine unabhängige Verarbeitungs-Engine. In Sprachen, die reguläre Ausdrücke bereitstellen, ist die Syntax regulärer Ausdrücke dieselbe.

Die folgende Abbildung zeigt den Abgleichsprozess unter Verwendung regulärer Ausdrücke:

[Python] Web Crawler (7): Tutorial zu regulären Ausdrücken in Python


Grober Abgleichsprozess regulärer Ausdrücke Es ist:

1. Nehmen Sie den Ausdruck heraus und vergleichen Sie ihn nacheinander mit den Zeichen im Text.

2. Wenn jedes Zeichen gefunden werden kann, ist die Übereinstimmung erfolgreich stimmt nicht überein, Übereinstimmung fehlgeschlagen.

3. Wenn der Ausdruck Quantoren oder Grenzen enthält, wird der Prozess etwas anders sein.

Die folgende Abbildung listet die von Python unterstützten Metazeichen und Syntax für reguläre Ausdrücke auf:

[Python] Web Crawler (7): Tutorial zu regulären Ausdrücken in Python

Greedy-Modus und Non-Greedy-Modus von Quantoren


Reguläre Ausdrücke werden häufig verwendet, um passende Zeichenfolgen im Text zu finden.

Der gierige Modus versucht immer, so viele Zeichen wie möglich zu finden.

Der nicht gierige Modus ist das Gegenteil und versucht immer, so wenige Zeichen wie möglich zu finden.

Quantoren in Python sind standardmäßig gierig.

Zum Beispiel: Wenn der reguläre Ausdruck „ab*“ verwendet wird, um „abbbc“ zu finden, wird „abbb“ gefunden.

Und wenn der nicht gierige Quantor „ab*?“ verwendet wird, wird „a“ gefunden.


Das Problem des Backslashs

Wie in den meisten Programmiersprachen wird „“ als Escape-Zeichen in regulären Ausdrücken verwendet Backslash-Verwirrung verursachen.

Wenn Sie das Zeichen „“ im Text finden müssen, sind 4 Backslashes „\\“ im regulären Ausdruck in der Programmiersprache erforderlich:

Die ersten und zweiten Drei werden verwendet, um den zweiten und vierten in Backslashes in der Programmiersprache zu maskieren.

wird in zwei Backslashes umgewandelt und dann in einen Backslash im regulären Ausdruck umgewandelt.

Das ist offensichtlich sehr problematisch.

Die nativen Strings in Python lösen dieses Problem sehr gut. Der reguläre Ausdruck in diesem Beispiel kann durch r"\" dargestellt werden.

In ähnlicher Weise kann „\d“, das mit einer Zahl übereinstimmt, als r „d“ geschrieben werden.

Mit nativen Strings muss sich meine Mutter keine Sorgen mehr um mein Backslash-Problem machen~



2. Wir stellen vor re-Modul

2.1. Kompilieren

Python bietet Unterstützung für reguläre Ausdrücke durch das re-Modul.

Die allgemeinen Schritte zur Verwendung von re sind:

Schritt 1: Kompilieren Sie zunächst die Zeichenfolgenform des regulären Ausdrucks in eine Musterinstanz.

Schritt 2: Verwenden Sie dann die Pattern-Instanz, um den Text zu verarbeiten und das passende Ergebnis (eine Match-Instanz) zu erhalten.

Schritt 3: Verwenden Sie abschließend die Match-Instanz, um Informationen abzurufen und andere Vorgänge auszuführen.

Erstellen wir eine neue re01.py, um die re-Anwendung zu testen:

# -*- coding: utf-8 -*-  
#一个简单的re实例,匹配字符串中的hello字符串  
  
#导入re模块  
import re  
   
# 将正则表达式编译成Pattern对象,注意hello前面的r的意思是“原生字符串”  
pattern = re.compile(r'hello')  
   
# 使用Pattern匹配文本,获得匹配结果,无法匹配时将返回None  
match1 = pattern.match('hello world!')  
match2 = pattern.match('helloo world!')  
match3 = pattern.match('helllo world!')  
  
#如果match1匹配成功  
if match1:  
    # 使用Match获得分组信息  
    print match1.group()  
else:  
    print 'match1匹配失败!'  
  
  
#如果match2匹配成功  
if match2:  
    # 使用Match获得分组信息  
    print match2.group()  
else:  
    print 'match2匹配失败!'  
  
  
#如果match3匹配成功  
if match3:  
    # 使用Match获得分组信息  
    print match3.group()  
else:  
    print 'match3匹配失败!'
Nach dem Login kopieren

Sie können sehen, dass die Konsole drei übereinstimmende Ergebnisse ausgibt:

[Python] Web Crawler (7): Tutorial zu regulären Ausdrücken in Python

Sehen wir uns die Schlüsselmethoden im Code genauer an.

★ re.compile(strPattern[, flag]):

Diese Methode ist die Factory-Methode der Pattern-Klasse, die zum Kompilieren regulärer Ausdrücke in String-Form verwendet wird ein Pattern-Objekt.

Das zweite Parameterflag ist der Matching-Modus. Der Wert kann den bitweisen ODER-Operator „|“ verwenden, um anzuzeigen, dass er gleichzeitig wirksam wird, z. B. re.M.

Darüber hinaus können Sie auch das Muster in der Regex-Zeichenfolge angeben,

Zum Beispiel re.compile('pattern', re.I | re.M) und re.compile( '(? im)pattern') sind gleichwertig.

Optionale Werte sind:

  • re.I(全拼:IGNORECASE): 忽略大小写(括号内是完整写法,下同)

  • re.M(全拼:MULTILINE): 多行模式,改变'^'和'$'的行为(参见上图)

  • re.S(全拼:DOTALL): 点任意匹配模式,改变'.'的行为

  • re.L(全拼:LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定

  • re.U(全拼:UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性

  • re.X(全拼:VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。


以下两个正则表达式是等价的:

# -*- coding: utf-8 -*-  
#两个等价的re匹配,匹配一个小数  
import re  
  
a = re.compile(r"""\d +  # the integral part 
                   \.    # the decimal point 
                   \d *  # some fractional digits""", re.X)  
  
b = re.compile(r"\d+\.\d*")  
  
match11 = a.match('3.1415')  
match12 = a.match('33')  
match21 = b.match('3.1415')  
match22 = b.match('33')   
  
if match11:  
    # 使用Match获得分组信息  
    print match11.group()  
else:  
    print u'match11不是小数'  
      
if match12:  
    # 使用Match获得分组信息  
    print match12.group()  
else:  
    print u'match12不是小数'  
      
if match21:  
    # 使用Match获得分组信息  
    print match21.group()  
else:  
    print u'match21不是小数'  
  
if match22:  
    # 使用Match获得分组信息  
    print match22.group()  
else:  
    print u'match22不是小数'
Nach dem Login kopieren

re提供了众多模块方法用于完成正则表达式的功能。


这些方法可以使用Pattern实例的相应方法替代,唯一的好处是少写一行re.compile()代码,

但同时也无法复用编译后的Pattern对象。

这些方法将在Pattern类的实例方法部分一起介绍。

如一开始的hello实例可以简写为:

# -*- coding: utf-8 -*-  
#一个简单的re实例,匹配字符串中的hello字符串  
import re  
  
m = re.match(r'hello', 'hello world!')  
print m.group()
Nach dem Login kopieren

re模块还提供了一个方法escape(string),用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回


2.2. Match

Match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用Match提供的可读属性或方法来获取这些信息。

属性:

string: 匹配时使用的文本。

re: 匹配时使用的Pattern对象。

pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。

endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。

lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。

lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。

方法:

group([group1, …]):
获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。

groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。

groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。

start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。

end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。

span([group]):
返回(start(group), end(group))。

expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组,但不能使用编号0。\id与\g是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符'0',只能使用\g<1>0。

下面来用一个py实例输出所有的内容加深理解:

# -*- coding: utf-8 -*-  
#一个简单的match实例  
  
import re  
# 匹配如下内容:单词+空格+单词+任意字符  
m = re.match(r&#39;(\w+) (\w+)(?P<sign>.*)&#39;, &#39;hello world!&#39;)  
  
print "m.string:", m.string  
print "m.re:", m.re  
print "m.pos:", m.pos  
print "m.endpos:", m.endpos  
print "m.lastindex:", m.lastindex  
print "m.lastgroup:", m.lastgroup  
  
print "m.group():", m.group()  
print "m.group(1,2):", m.group(1, 2)  
print "m.groups():", m.groups()  
print "m.groupdict():", m.groupdict()  
print "m.start(2):", m.start(2)  
print "m.end(2):", m.end(2)  
print "m.span(2):", m.span(2)  
print r"m.expand(r&#39;\g<2> \g<1>\g<3>&#39;):", m.expand(r&#39;\2 \1\3&#39;)  
   
### output ###  
# m.string: hello world!  
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>  
# m.pos: 0  
# m.endpos: 12  
# m.lastindex: 3  
# m.lastgroup: sign  
# m.group(1,2): (&#39;hello&#39;, &#39;world&#39;)  
# m.groups(): (&#39;hello&#39;, &#39;world&#39;, &#39;!&#39;)  
# m.groupdict(): {&#39;sign&#39;: &#39;!&#39;}  
# m.start(2): 6  
# m.end(2): 11  
# m.span(2): (6, 11)  
# m.expand(r&#39;\2 \1\3&#39;): world hello!
Nach dem Login kopieren

2.3. Pattern

Pattern对象是一个编译好的正则表达式,通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化,必须使用re.compile()进行构造,也就是re.compile()返回的对象。

Pattern提供了几个可读属性用于获取表达式的相关信息:

pattern: 编译时用的表达式字符串。

flags: 编译时用的匹配模式。数字形式。

groups: 表达式中分组的数量。

groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典,没有别名的组不包含在内。

可以用下面这个例子查看pattern的属性:

# -*- coding: utf-8 -*-  
#一个简单的pattern实例  
  
import re  
p = re.compile(r&#39;(\w+) (\w+)(?P<sign>.*)&#39;, re.DOTALL)  
   
print "p.pattern:", p.pattern  
print "p.flags:", p.flags  
print "p.groups:", p.groups  
print "p.groupindex:", p.groupindex  
   
### output ###  
# p.pattern: (\w+) (\w+)(?P<sign>.*)  
# p.flags: 16  
# p.groups: 3  
# p.groupindex: {&#39;sign&#39;: 3}
Nach dem Login kopieren
下面重点介绍一下pattern的实例方法及其使用。
1.match
match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从string的pos下标处起尝试匹配pattern;
如果pattern结束时仍可匹配,则返回一个Match对象;
如果匹配过程中pattern无法匹配,或者匹配未结束就已到达endpos,则返回None。
pos和endpos的默认值分别为0和len(string);
re.match()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
注意:这个方法并不是完全匹配。
当pattern结束时若string还有剩余字符,仍然视为成功。
想要完全匹配,可以在表达式末尾加上边界匹配符&#39;$&#39;。
下面来看一个Match的简单案例:
Nach dem Login kopieren
# encoding: UTF-8  
import re  
   
# 将正则表达式编译成Pattern对象  
pattern = re.compile(r&#39;hello&#39;)  
   
# 使用Pattern匹配文本,获得匹配结果,无法匹配时将返回None  
match = pattern.match(&#39;hello world!&#39;)  
   
if match:  
    # 使用Match获得分组信息  
    print match.group()  
   
### 输出 ###  
# hello
Nach dem Login kopieren

2.search
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。

从string的pos下标处起尝试匹配pattern,

如果pattern结束时仍可匹配,则返回一个Match对象;

若无法匹配,则将pos加1后重新尝试匹配;

直到pos=endpos时仍无法匹配则返回None。

pos和endpos的默认值分别为0和len(string));

re.search()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。

那么它和match有什么区别呢?

match()函数只检测re是不是在string的开始位置匹配,

search()会扫描整个string查找匹配,


match()只有在0位置匹配成功的话才有返回,如果不是开始位置匹配成功的话,match()就返回none
例如:
print(re.match(‘super’, ‘superstition’).span())

会返回(0, 5)

print(re.match(‘super’, ‘insuperable’))

则返回None

search()会扫描整个字符串并返回第一个成功的匹配
例如:

print(re.search(‘super’, ‘superstition’).span())

返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())

返回(2, 7)

看一个search的实例:

# -*- coding: utf-8 -*-  
#一个简单的search实例  
  
import re  
   
# 将正则表达式编译成Pattern对象  
pattern = re.compile(r&#39;world&#39;)  
   
# 使用search()查找匹配的子串,不存在能匹配的子串时将返回None  
# 这个例子中使用match()无法成功匹配  
match = pattern.search(&#39;hello world!&#39;)  
   
if match:  
    # 使用Match获得分组信息  
    print match.group()  
   
### 输出 ###  
# world
Nach dem Login kopieren

3.split

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。

maxsplit用于指定最大分割次数,不指定将全部分割。

import re  
   
p = re.compile(r&#39;\d+&#39;)  
print p.split(&#39;one1two2three3four4&#39;)  
   
### output ###  
# [&#39;one&#39;, &#39;two&#39;, &#39;three&#39;, &#39;four&#39;, &#39;&#39;]
Nach dem Login kopieren

4.findall

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string,以列表形式返回全部能匹配的子串。

import re  
   
p = re.compile(r&#39;\d+&#39;)  
print p.findall(&#39;one1two2three3four4&#39;)  
   
### output ###  
# [&#39;1&#39;, &#39;2&#39;, &#39;3&#39;, &#39;4&#39;]
Nach dem Login kopieren

5.finditer

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。

import re  
   
p = re.compile(r&#39;\d+&#39;)  
for m in p.finditer(&#39;one1two2three3four4&#39;):  
    print m.group(),  
   
### output ###  
# 1 2 3 4
Nach dem Login kopieren

6.sub

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时,可以使用\id或\g、\g引用分组,但不能使用编号0。
当repl是一个方法时,这个方法应当只接受一个参数(Match对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
count用于指定最多替换次数,不指定时全部替换。

import re  
   
p = re.compile(r&#39;(\w+) (\w+)&#39;)  
s = &#39;i say, hello world!&#39;  
   
print p.sub(r&#39;\2 \1&#39;, s)  
   
def func(m):  
    return m.group(1).title() + &#39; &#39; + m.group(2).title()  
   
print p.sub(func, s)  
   
### output ###  
# say i, world hello!  
# I Say, Hello World!
Nach dem Login kopieren

7.subn

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。

import re  
   
p = re.compile(r&#39;(\w+) (\w+)&#39;)  
s = &#39;i say, hello world!&#39;  
   
print p.subn(r&#39;\2 \1&#39;, s)  
   
def func(m):  
    return m.group(1).title() + &#39; &#39; + m.group(2).title()  
   
print p.subn(func, s)  
   
### output ###  
# (&#39;say i, world hello!&#39;, 2)  
# (&#39;I Say, Hello World!&#39;, 2)
Nach dem Login kopieren

至此,Python的正则表达式基本介绍就算是完成了^_^


以上就是[Python]网络爬虫(七):Python中的正则表达式教程的内容,更多相关内容请关注PHP中文网(www.php.cn)!



Quelle:php.cn
Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn
Beliebte Tutorials
Mehr>
Neueste Downloads
Mehr>
Web-Effekte
Quellcode der Website
Website-Materialien
Frontend-Vorlage