1. 為什么要使用正則表達式?

首先，大家來看一個例子。一個文本文件里面存儲了一些市場職位信息，格式如下所示：

Python3 高級開發(fā)工程師 上?；ソ探逃萍加邢薰旧虾?浦東新區(qū)2萬/月02-18滿員
測試開發(fā)工程師（C++/python） 上海墨鹍數(shù)碼科技有限公司上海-浦東新區(qū)2.5萬/每月02-18未滿員
Python3 開發(fā)工程師 上海德拓信息技術(shù)股份有限公司上海-徐匯區(qū)1.3萬/每月02-18剩余11人
測試開發(fā)工程師（Python） 赫里普（上海）信息科技有限公司上海-浦東新區(qū)1.1萬/每月02-18剩余5人
Python高級開發(fā)工程師 上海行動教育科技股份有限公司上海-閔行區(qū)2.8萬/月02-18剩余255人
python開發(fā)工程師 上海優(yōu)似騰軟件開發(fā)有限公司上海-浦東新區(qū)2.5萬/每月02-18滿員

現(xiàn)在，我們需要編寫一個程序，從這些文本里面抓取所有職位的薪資。獲取結(jié)果如下所示：

2
2.5
1.3
1.1
2.8
2.5

怎么做？大家可以先自己思考一下。這是典型的字符串處理。分析這里面的規(guī)律，可以發(fā)現(xiàn)，薪資的數(shù)字后面都有關(guān)鍵字萬/月或者萬/每月。根據(jù)我們學(xué)過的知識，我們不難寫出下面的代碼：

html_str = """
 Python3 高級開發(fā)工程師 上海互教教育科技有限公司上海-浦東新區(qū)2萬/月02-18滿員
 測試開發(fā)工程師（C++/python） 上海墨鹍數(shù)碼科技有限公司上海-浦東新區(qū)2.5萬/每月02-18未滿員
 Python3 開發(fā)工程師 上海德拓信息技術(shù)股份有限公司上海-徐匯區(qū)1.3萬/每月02-18剩余11人
 測試開發(fā)工程師（Python） 赫里普（上海）信息科技有限公司上海-浦東新區(qū)1.1萬/每月02-18剩余5人
 Python高級開發(fā)工程師 上海行動教育科技股份有限公司上海-閔行區(qū)2.8萬/月02-18剩余255人
 python開發(fā)工程師 上海優(yōu)似騰軟件開發(fā)有限公司上海-浦東新區(qū)2.5萬/每月02-18滿員
"""
# 將字符串html_str中每一行的數(shù)據(jù)提取出來存入到一個列表中
position_info_list = html_str.splitlines()
for position_info in position_info_list: # 遍歷
 if position_info: # 判斷是否有數(shù)據(jù)
  # 查找萬/月或者是萬/每月的索引
  idx = position_info.find("萬/月") if position_info.find("萬/月") != -1 else position_info.find("萬/每月")
  end_pos = idx # 記錄結(jié)束位置
  if idx == -1:
   continue # 上面兩種都沒找到
  find_start = idx - 1 # 記錄萬字前的位置
  while position_info[find_start].isdigit() or position_info[find_start] == ".":
   find_start -= 1
  start_pos = find_start + 1 # 開始位置
  print(position_info[start_pos: end_pos]) # 切片獲取薪資

運行一下，發(fā)現(xiàn)完全可以。如圖所示：

在你高興完之后，我們再看看寫的代碼。怎么樣？太麻煩了，是不是。為了從每行獲取薪資對應(yīng)的數(shù)字，我們可是寫了不少行代碼。這種從字符串中搜索出某種特征的子串有沒有更簡單的方法呢？解決方案就是我們今天要介紹的正則表達式。如果我們使用正則表達式，代碼可以這樣：

import re

html_str = """
 Python3 高級開發(fā)工程師 上海互教教育科技有限公司上海-浦東新區(qū)2萬/月02-18滿員
 測試開發(fā)工程師（C++/python） 上海墨鹍數(shù)碼科技有限公司上海-浦東新區(qū)2.5萬/每月02-18未滿員
 Python3 開發(fā)工程師 上海德拓信息技術(shù)股份有限公司上海-徐匯區(qū)1.3萬/每月02-18剩余11人
 測試開發(fā)工程師（Python） 赫里普（上海）信息科技有限公司上海-浦東新區(qū)1.1萬/每月02-18剩余5人
 Python高級開發(fā)工程師 上海行動教育科技股份有限公司上海-閔行區(qū)2.8萬/月02-18剩余255人
 python開發(fā)工程師 上海優(yōu)似騰軟件開發(fā)有限公司上海-浦東新區(qū)2.5萬/每月02-18滿員
"""
salary_list = re.findall(r"([\d.]+)萬/每?月", html_str)
for salary in salary_list:
 print(salary)

運行一下看看，結(jié)果是一樣的。但是代碼卻簡單多了。從上面的例子可以看出，用正則表達式關(guān)鍵的地方在于如何寫出正確的表達式語法。正則表達式非常強大，語法非常復(fù)雜，如果你英文閱讀能力還可以，那太好了，點擊這里，參考Python官方文檔里面的描述 。具體的使用細節(jié)包括語法都在里面。本文會給大家介紹一些常見的正則表達式語法。

2. 什么是正則表達式?

在處理字符串時，經(jīng)常會有查找符合某些復(fù)雜規(guī)則的字符串的需求。正則表達式就是用于描述這些規(guī)則的工具。換句話說，正則表達式就是記錄文本規(guī)則的代碼。對于接觸過DOS/終端的用戶來說，如果想匹配當(dāng)前文件夾下所有的文本文件，可以輸入dir *.txt/ls *.txt命令，按<Enter>鍵后，所有.txt文件將會被列出來。這里的*.txt即可理解為一個簡單的正則表達式。

在數(shù)據(jù)庫中使用正則表達式，如圖所示：

3. re模塊操作

Python提供了re模塊，用于實現(xiàn)正則表達式的操作。在實現(xiàn)時，可以使用re模塊提供的方法search()、 match()、findall()等進行字符串處理，也可以先使用re模塊的compile()方法將模式字符串轉(zhuǎn)換為正則表達式對象，然后再使用該正則表達式對象的相關(guān)方法來操作字符串。re模塊在使用時，需要先應(yīng)用import語句引入，具體代碼如下:

import re

這里因為我們還沒有學(xué)習(xí)匹配的規(guī)則，所以先學(xué)習(xí)一下match方法，其他的方法在本文末尾講解。match()方法用于從字符串的開始處進行匹配，如果在起始位置匹配成功，則返回Match對象，否則返回None，語法格式如下:

re.match(pattern, string, [flags] )
參數(shù)說明：
1. pattern：表示模式字符串，由要匹配的正則表達式轉(zhuǎn)換而來。
2. string：表示要匹配的字符串。
3. flags：可選參數(shù)，表示標(biāo)志位，用于控制匹配方式，如是否區(qū)分字母大小寫。

常用的flags如下表所示：

例如，匹配字符串是否以amo_開頭，不區(qū)分字母大小寫，代碼如下：

從上面的執(zhí)行結(jié)果中可以看出，字符串Amo_cool是以amo_開頭，所以返回一個Match對象，而字符串外貌描述 Amo_ cool不是以amo_開頭，將返回None。這是因為match()方法從字符串的開始位置開始匹配，當(dāng)第一個字母不符合條件時，則不再進行匹配，直接返回None。Match對象中包含了匹配值的位置和匹配數(shù)據(jù)。其中，要獲取匹配值的起始位置可以使用Match對象的start() 方法 要獲取匹配值的結(jié)束位置可以使用end()方法 通過span()方法可以返回匹配位置的元組 通過string屬性可以獲取要匹配的字符串。例如下面的代碼:

import re

pattern = r"amo_" # 模式字符串
str1 = "Amo_cool amo_cool" # 要匹配的字符串
match = re.match(pattern, str1, re.I) # 匹配字符串 不區(qū)分大小寫
print(f"匹配值的起始位置: {match.start()}")
print(f"匹配值的結(jié)束位置: {match.end()}")
print(f"匹配位置的元組: {match.span()}")
print(f"要匹配的字符串: {match.string}")
print(f"匹配數(shù)據(jù): {match.group()}"

運行結(jié)果如圖所示：

Python中字符串前面加上r表示原生字符串，與大多數(shù)編程語言相同，正則表達式里使用\作為轉(zhuǎn)義字符，這就可能造成反斜杠困擾。假如你需要匹配文本中的字符\，那么使用編程語言表示的正則表達式里將需要4個反斜杠\：前兩個和后兩個分別用于在編程語言里轉(zhuǎn)義成反斜杠，轉(zhuǎn)換成兩個反斜杠后再在正則表達式里轉(zhuǎn)義成一個反斜杠。Python里的原生字符串很好地解決了這個問題，有了原生字符串，你再也不用擔(dān)心是不是漏寫了反斜杠，寫出來的表達式也更直觀。如圖所示：

4. 匹配單個字符

在上一小節(jié)中，了解到通過re模塊能夠完成使用正則表達式來匹配字符串。本小節(jié)，將要講解正則表達式的單字符匹配，具體的規(guī)則，如下所示：

例子如下：

5. 匹配多個字符

匹配多個字符的相關(guān)格式：

例子如下：

6. 匹配分組

練習(xí)1：匹配出0-100之間的數(shù)字

result = re.match(r"[1-9]?\d$|100", "70").group()

練習(xí)2：匹配出163、126、qq、sina郵箱
要求：可使用英文小寫 數(shù)字 下劃線，下劃線不能在首尾且@符號之前有4到16位字符

result = re.match(r"^[a-z0-9][a-z0-9_]{2,14}[a-z0-9]@(163|126|qq|sina)\.com$", "test@sina.com").group()

練習(xí)3：匹配出<html><body>amo666</body></html>

import re

str1 = "<html><body>amo666</body></html>"
pattern1 = r"<([a-zA-Z]*)><([a-zA-Z]*)>.*</\2></\1>"
match_obj1 = re.match(pattern1, str1)
print(match_obj1.group())
pattern2 = r"<(?P<name1>[a-zA-Z]*)><(?P<name2>[a-zA-Z]*)>.*</(?P=name2)></(?P=name1)>"
match_obj2 = re.match(pattern2, str1)
print(match_obj2.group())

執(zhí)行結(jié)果如下：

 <html><body>amo666</body></html>
<html><body>amo666</body></html>

7. re模塊的高級用法

7.1 使用search()方法進行匹配

search()方法用于在整個字符串中搜索第一個匹配的值， 如果匹配成功，則返回Match對象，否則返回None，語法格式如下:

re. search(pattern, string, [flags])

參數(shù)說明：

1. pattern：表示模式字符串，由要匹配的正則表達式轉(zhuǎn)換而來。
2. string：表示要匹配的字符串。
3. flags：可選參數(shù)，表示標(biāo)志位，用于控制匹配方式，如是否區(qū)分字母大小寫。

例如，搜索第一個以amo_開頭的字符串，不區(qū)分字母大小寫，代碼如下:

import re

match_obj1 = re.search(r"amo_\w+", "Amo_SHOP amo_shop", re.I)
print(match_obj1)
match_obj2 = re.search(r"amo_\w+", "項目名稱Amo_SHOP amo_shop", re.I)
print(match_obj2)

執(zhí)行結(jié)果如下：

從上面的運行結(jié)果中可以看出，search()方法不僅僅是在字符串的起始位置搜索，其他位置有符合的匹配也可以。

7.2 使用findall()方法進行匹配

findall()方法用于在整個字符串中搜索所有符合正則表達式的字符串，并以列表的形式返回。如果匹配成功，則返回包含匹配結(jié)構(gòu)的列表，否則返回空列表。其語法格式如下:

re. findall(pattern, string, [flags])

參數(shù)說明：

• pattern：表示模式字符串，由要匹配的正則表達式轉(zhuǎn)換而來。
• string：表示要匹配的字符串。
• flags：可選參數(shù)，表示標(biāo)志位，用于控制匹配方式，如是否區(qū)分字母大小寫。

例如，搜索以amo_開頭的字符串，不區(qū)分字母大小寫，代碼如下:

import re

result1 = re.findall(r"amo_\w+", "Amo_SHOP amo_shop", re.I)
print(result1)
result2 = re.findall(r"amo_\w+", "項目名稱Amo_SHOP amo_shop")
print(result2)

執(zhí)行結(jié)果如下：

如果在指定的模式字符串中，包含分組，則返回與分組匹配的文本列表。例如：

import re

result1 = re.findall(r"[1-9]{1,3}(\.[0-9]{1,3}){3}", "127.0.0.1 192.168.31.157")
print(result1)

上面的代碼的執(zhí)行結(jié)果如下：

['.1', '.157']

從上面的結(jié)果中可以看出，并沒有得到匹配的IP地址，這是因為在模式字符串中出現(xiàn)了分組，所以得到的結(jié)果是根據(jù)分組進行匹配的結(jié)果，即(\.[0一9]{1,3})匹配的結(jié)果。如果想獲取整個模式字符串的匹配，可以將整個模式字符串使用一對小括號進行分組，然后在獲取結(jié)果時，只取返回值列表的每個元素(是一個元組)的第1個元素。代碼如下：

import re

str1 = "127.0.0.1 192.168.31.157"
result1 = re.findall(r"([1-9]{1,3}(\.[0-9]{1,3}){3})", str1)
for item in result1:
 print(item[0])

執(zhí)行結(jié)果如下：

127.0.0.1
192.168.31.157

7.3 替換字符串

sub()方法用于實現(xiàn)字符串替換，語法格式如下:

re. sub( pattern, repl, string, count, flags)

參數(shù)說明：

• pattern：表示模式字符串，由要匹配的正則表達式轉(zhuǎn)換而來。
• repl: 表示替換的字符串。
• string：表示要被查找替換的原始字符串。
• count：可選參數(shù)，表示模式匹配后替換的最大次數(shù)，默認(rèn)值為0,表示替換所有的匹配。
• flags：可選參數(shù)，表示標(biāo)志位，用于控制匹配方式，如是否區(qū)分字母大小寫。

例如，隱藏中獎信息中的手機號碼，代碼如下：

import re

pattern = r"1[34578]\d{9}"
str1 = "中獎號碼為: 84978981 聯(lián)系電話為: 13611111111"
result = re.sub(pattern, "1XXXXXXXXXX", str1)
print(result)

執(zhí)行結(jié)果如下：

中獎號碼為: 84978981 聯(lián)系電話為: 1XXXXXXXXXX

7.4 使用正則表達式分割字符串

split()方法用于實現(xiàn)根據(jù)正則表達式分割字符串，并以列表的形式返回，其作用與字符串對象的split()方法類似，所不同的就是分割字符由模式字符串指定。語法格式如下:

re.split(pattern, string, [maxsplit], [flags])

參數(shù)說明：

• pattern：表示模式字符串，由要匹配的正則表達式轉(zhuǎn)換而來。
• string：表示要匹配的字符串。
• maxsplit：可選參數(shù)，表示最大的拆分次數(shù)。
• flags：可選參數(shù)，表示標(biāo)志位，用于控制匹配方式，如是否區(qū)分字母大小寫。

例如，從給定的URL地址中提取出請求地址和各個參數(shù)，代碼如下:

import re

pattern = r"[?|&]"
url = "https://study.163.com/courses-search?keyword=python&username=amo"
result = re.split(pattern, url)
print(result)

執(zhí)行結(jié)果如下：

['https://study.163.com/courses-search', 'keyword=python', 'username=amo']

關(guān)于正則表達式的貪婪和非貪婪 可以點擊這里正則表達式的貪婪模式與非貪婪模式參考。

到此這篇關(guān)于Python使用正則表達式實現(xiàn)爬蟲數(shù)據(jù)抽取的文章就介紹到這了,更多相關(guān)Python 正則表達式數(shù)據(jù)抽取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！