Python之网络爬虫---正则表达式

1.网络爬虫概念

说明：网络爬虫就是从互联网中定向或者不定向的采集信息的一种程序。网络爬虫有很多类型：通用网络爬虫、聚焦网络爬虫等等
应用：
（1）搜索引擎
（2）采集金融数据
（3）采取商品信息
（4）自动过滤广告
（5）采集信息，进行相关数据分析等等

2.正则表达式

说明：要用正则表达式，要导入模块import re

2.1 原子

说明：是正则表达式中最基本的单位，每个正则表达式中至少要包含一个原子，常见的原子有：普通字符作为原子、非打印字符作为原子，通用字符作为原子、原子表四类。

1. 普通字符作为原子

   import re
   str = 'Hello123Python!'
   pat = '123'     #pat为正则表达式
   result = re.search(pat, str)
   print(result)
   # 结果：<re.Match object; span=(5, 8), match='123'>
   1
   2
   3
   4
   5
   6

2. 非打印字符作为原子：
   ① 换行符：\n
   ② 制表符：\t
   ③ 回车符：\r
   等等

   import re
   str = 'Hello123Python!'
   pat2 = '\n'
   print(re.search(pat2, str))
   # 结果：None
   1
   2
   3
   4
   5

3. 通用字符作为原子

   • \w 字母、数字、下划线
   • \W 非字母、数字、下划线
   • \d 十进制数
   • \D 非十进制数
   • \s 匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
   • \S 匹配任何可见字符。等价于[^ \f\n\r\t\v]。

   import re
   str = 'Hello123Python!'
   pat3 = '\w\d\d'
   print(re.search(pat3, str))
   
   # 结果：<re.Match object; span=(4, 7), match='o12'>
   1
   2
   3
   4
   5
   6

4. 原子表：[一个或多个原子]，这表示一个原子表，匹配时从中选一个符合要求的原子，若没有，返回None
   还可以通过[^一个或多个原子]进行取反，表示除了原子表中的元素都可以提取

   import re
   str = 'Hello123Python!'
   
   pat4 = '\w[139]\d'  
   print(re.search(pat4, str))
   # 结果：<re.Match object; span=(4, 7), match='o12'>
   
   pat5 = 'l[^alo]'           #表示除了原子表[alo]内的元素外我都可以提取
   print(re.search(pat5, str))
   # 结果：None
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10

2.2 元字符

说明：元字符就是正则表达式中具有一些特殊含义的字符。

• .表示 除\n和\r 以外的任何一个字符
  • 如果想匹配任意字符，则可以使用[\s\S]
• ^表示后一个原子处于开始位置
• $表示前一个原子处于结束位置
• *表示前面的原子接着出现0或1或多次
• ?表示前面的原子接着出现0或1次
• +表示前面的原子接着出现1或多次
• {n}表示前面一个原子出现恰好n次（操作时n用具体的数字代替）
• {n,}表示前面一个原子出现至少n次
• {n, m}表示最少匹配 n 次且最多匹配 m 次
• |表示模式选择或
  1. 直接使用："\da|\db"表示为\da或\db
  2. 搭配原子表使用：此时最小匹配单元不再是原子，而是或元素。比如，[.com|.cn]表示为.com或.cn
• ()表示模式单元，直接提取正则式中的某部分
• [\s\S].*、[\d\D].*、[\w\W].* 都可以无限匹配，包括换行符

eg：

import re
str = 'Hello1ooo123Python!'

pat = '^He..'     #pat为正则表达式
result = re.search(pat, str)
print(result)

pat2 = '..on!$'     #pat2为正则表达式
result = re.search(pat2, str)
print(result)

pat3 = '1o*'     #pat3为正则表达式
result = re.search(pat3, str)
print(result)

pat4 = 'e.*'     #pat4为正则表达式
result = re.search(pat4, str)
print(result)

pat5 = '1o{4}'     #pat5为正则表达式
result = re.search(pat5, str)
print(result)

pat6 = 'o(\d*?)P'
result = re.compile(pat6).findall(str)
print(result)

#结果：
<re.Match object; span=(0, 4), match='Hell'>
<re.Match object; span=(14, 19), match='thon!'>
<re.Match object; span=(5, 9), match='1ooo'>
<re.Match object; span=(1, 19), match='ello1ooo123Python!'>
None
['123']
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

2.3 模式修正符

• 字母I 匹配时忽略大小写
• 字母S 让.能够匹配换行符
• 字母M 多行匹配
• 字母U unicode
• 字母L 本地化识别匹配

注意：以上字母必须为大写
eg：

import re
str = 'Hello1ooo123Python!'

pat = 'hell'     #pat为原子
result = re.search(pat, str, re.I)
print(result)

str = '''Hello1ooo
123Python!'''
pat = 'oo.1'     #pat为原子
result = re.search(pat, str, re.S)
print(result)

#结果：
<re.Match object; span=(0, 4), match='Hell'>
<re.Match object; span=(7, 11), match='oo\n1'>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

2.4 贪婪模式与懒惰模式

说明：

• 贪婪模式就是尽可能多的匹配，语法.*、\d*等等，就是元字符或原子与符号*的组合
• 懒惰模式就是尽可能少的匹配，语法.*?、\d*?等等，就是元字符或原子与符号*?的组合

eg：

import re

str = 'HelloPython!'
pat = 'H.*o'     #贪婪模式
pat2 = 'H.*?o'     #懒惰模式
result = re.search(pat, str)
result2 = re.search(pat2, str)
print(result)
print(result2)

#结果：
<re.Match object; span=(0, 10), match='HelloPytho'>
<re.Match object; span=(0, 5), match='Hello'>
1
2
3
4
5
6
7
8
9
10
11
12
13

2.5 正则表达式函数

• re.match()函数，对数据从头开始匹配，结果只有一个
• re.search()函数，任意位置匹配，结果只有一个
• 全局匹配函数，任意位置匹配，结果是一个list，语法：re.compile(正则表达式).findall(数据)
• re.sub(正则表达式, 字符串, 数据)函数，任意位置匹配，结果是多个，用指定的字符串代替匹配到的字符串

eg：

import re

#match()函数
str = 'HelloPython!'
pat = 'H.*?o'     #懒惰模式
print(re.match(pat, str))
pat = 'h.*?o'    
print(re.match(pat, str))

str = 'HelloHsadoHazzzoHo'
pat = 'H.*?o'
print(re.search(pat, str))
#全局匹配函数
result = re.compile(pat).findall(str)
print(result)
#sub()函数
out = re.sub(pat, 'J', str)
print(out)

#结果：
<re.Match object; span=(0, 5), match='Hello'>
None
<re.Match object; span=(0, 5), match='Hello'>
['Hello', 'Hsado', 'Hazzzo', 'Ho']
JJJJ
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

re.sub()函数能替换所有符合要求的正则表达式，下面举一个清洗数据的例子：

import re


str = '<a>abc<b>defg<c>'
pat = '<.*?>'
data = re.sub(pat, '', str)
print(data)

# 结果：
abcdefg
1
2
3
4
5
6
7
8
9
10

3. 案例

3.1 实例之匹配.com和.cn网址

eg：

import re

str = '<a href=http://www.baidu.com>百度首页</a>'
#[a-zA-Z]表示从a到z和A到Z的所有字母
#|为模式选择或   [.com|.cn]表示为.com或.cn
pat = '[a-zA-Z]+://[^\s]*[.com|.cn]'
print(re.compile(pat).findall(str))

#结果：
['http://www.baidu.com']
1
2
3
4
5
6
7
8
9
10

3.2 实例之匹配电话号码

说明：电话号码有两种

• 前3位为域名+后8位
• 前4位为域名+后7位

eg：

import re

str = 'dsadasdgs031-1564653233adads2312-24644567dZDxz'
pat = '\d{3}-\d{8}|\d{4}-\d{7}'
print(re.compile(pat).findall(str))

#结果：
['031-15646532', '2312-2464456']
1
2
3
4
5
6
7
8

3.3 实战之爬取网址上的QQ号

eg：爬取该网址内的QQ号

#简单爬虫编写,自动爬取上面两个QQ号
import urllib.request
import re
data = urllib.request.urlopen("https://www.yiibai.com/python3").read().decode("utf-8") #decode()函数是设置读取编码格式
pat = 'QQ群：(\d*)'
result = re.compile(pat).findall(data)
print(result)
#结果：
['227270512', '479429477']
    
#简单爬虫编写,自动爬取该网页所有QQ群
import urllib.request
import re
data = urllib.request.urlopen("https://www.yiibai.com/python3").read().decode("utf-8") #decode()函数是设置读取编码格式
pat = '[1-9]{6,10}'
result = re.compile(pat).findall(data)
# 去除重复的QQ号
result = list(set(result))
print('该网站共有'+str(len(result))+'个QQ群：')
print(result)
# 结果：
该网站共有17个QQ群：
['769728683', '65515455', '5798217', '415553199', '1932146371', '6215498', '175248146', '9485766451', '944874', '6494738921', '456236', '816911', '629264796', '153241', '397883996', '479429477', '851549']
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23