Python爬蟲中正則表達式的使用方法

這篇文章主要介紹了Python爬蟲中正則表達式的使用方法，具有一定借鑒價值，需要的朋友可以參考下。希望大家閱讀完這篇文章后大有收獲。下面讓小編帶著大家一起了解一下。

正則表達式

re 模塊的一般使用步驟如下：

使用 compile() 函數(shù)將正則表達式的字符串形式編譯為一個 Pattern 對象。

通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果，一個 Match 對象。

最后使用 Match 對象提供的屬性和方法獲得信息，根據(jù)需要進行其他的操作。

pattern = re.compile('\d')    #將正則表達式編譯成一個pattern規(guī)則對象
pattern.match()    #從起始位置開始往后查找，返回第一個符合規(guī)則的，只匹配一次
pattern.search()   #從任意位置開始往后查找，返回第一個符合規(guī)則的，只匹配一次
pattern.findall()  #所有的全部匹配，返回列表
pattern.finditer() #所有的全部匹配，返回的是一個迭代器
pattern.split()    #分割字符串，返回列表
pattern.sub()      #替換
re.I   #表示忽略大小寫
re.S   #表示全文匹配

1.match()

import re
pattern = re.compile('\d+')
m = pattern.match('aaa123bbb456',3,5)   #可以指定match起始和結束的位置match（string,begin,end）
print m.group()     #12
m = pattern.match('aaa123bbb456',3,6)
print m.group()     #123

import re
#匹配兩組， re.I忽略大小寫
pattern = re.compile(r"([a-z]+) ([a-z]+)",re.I)  #第一組（字母）和第二組（字母）之間以空格分開
m = pattern.match("Hello world and Python")
print m.group(0)     #Hello world    group(0)獲取所有子串
print m.group(1)     #Hello          group(1)所有子串里面的第一個子串
print m.group(2)     #world          group(2)所有子串里面的第二個子串

2.search()

import re
pattern = re.compile(r'\d+')
m = pattern.search('aaa123bbb456')
print m.group()    #123
m = pattern.search('aaa123bbb456',2,5)
print m.group()    #12

3.findall()

import re
pattern = re.compile(r'\d+')
m = pattern.findall('hello 123456 789')   #
print m    #['123456', '789']
m = pattern.findall('hello 123456 789',5,10)
print m    #['1234']

4.split()

# _*_ coding:utf-8 _*_
import re
pattern = re.compile(r'[\s\d\\\;]+')    #以空格，數(shù)字，'\'，'；'做分割
m = pattern.split(r'a b22b\cc;d33d   ee')
print m        #['a', 'b', 'b', 'cc', 'd', 'd', 'ee']

5.sub()

# _*_ coding:utf-8 _*_
import re
pattern = re.compile(r'(\w+) (\w+)')
str = 'good 111,job 222'
m = pattern.sub('hello python',str)
print m    #hello python,hello python
m = pattern.sub(r"'\1':'\2'",str)
print m    #'good':'111','job':'222'

# _*_ coding:utf-8 _*_
import re
pattern = re.compile(r'\d+')
str = 'a1b22c33d4e5f678'
m = pattern.sub('*',str)    #a*b*c*d*e*f*   把數(shù)字替換成'*'
print m

內涵段子實例

爬取貼吧所有內容，并通過正則表達式爬取出所有的段子

url變化

第一頁url: http: //www.neihan8.com/article/list_5_1 .html

第二頁url: http: //www.neihan8.com/article/list_5_2 .html

第三頁url: http: //www.neihan8.com/article/list_5_3 .html

pattern = re.compile('<dd\sclass="content">(.*?)</dd>', re.S)

每個段子內容都是在 <dd class='content'>......</dd>里面，通過正則可以獲取內

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib2
import re
class Spider:
    def __init__(self):
        # 初始化起始頁位置
        self.page = 1
        # 爬取開關，如果為True繼續(xù)爬取
        self.switch = True
    def loadPage(self):
        """
            作用：下載頁面
        """
        print "正在下載數(shù)據(jù)...."
        url = "http://www.neihan.net/index_" + str(self.page) + ".html"
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) 
            Chrome/60.0.3112.101 Safari/537.36'}
        request = urllib2.Request(url, headers = headers)
        response = urllib2.urlopen(request)
        # 獲取每頁的HTML源碼字符串
        html = response.read()
        #print html
        # 創(chuàng)建正則表達式規(guī)則對象，匹配每頁里的段子內容，re.S 表示匹配全部字符串內容
        pattern = re.compile('<dd\sclass="content">(.*?)</dd>', re.S)
        # 將正則匹配對象應用到html源碼字符串里，返回這個頁面里的所有段子的列表
        content_list = pattern.findall(html)
        # 調用dealPage() 處理段子里的雜七雜八
        self.dealPage(content_list)
    def dealPage(self, content_list):
        """
            處理每頁的段子
            content_list : 每頁的段子列表集合
        """
        for item in content_list:
            # 將集合里的每個段子按個處理，替換掉無用數(shù)據(jù)
            item = item.replace("<p>","").replace("</p>", "").replace("<br/>", "")
            # 處理完后調用writePage() 將每個段子寫入文件內
            self.writePage(item)
    def writePage(self, item):
        """
            把每條段子逐個寫入文件里
            item: 處理后的每條段子
        """
        # 寫入文件內
        print "正在寫入數(shù)據(jù)...."
        with open("tieba.txt", "a") as f:
            f.write(item)
    def startWork(self):
        """
            控制爬蟲運行
        """
        # 循環(huán)執(zhí)行，直到 self.switch == False
        while self.switch:
            # 用戶確定爬取的次數(shù)
            self.loadPage()
            command = raw_input("如果繼續(xù)爬取，請按回車（退出輸入quit)")
            if command == "quit":
                # 如果停止爬取，則輸入 quit
                self.switch = False
            # 每次循環(huán)，page頁碼自增1
            self.page += 1
        print "謝謝使用！"
if __name__ == "__main__":
    duanziSpider = Spider()
    duanziSpider.startWork()

可以按回車接著爬取下一頁內容,輸入QUIT退出。

 爬取后的內容：

感謝你能夠認真閱讀完這篇文章，希望小編分享Python爬蟲中正則表達式的使用方法內容對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業(yè)資訊頻道，遇到問題就找億速云，詳細的解決方法等著你來學習!