【Python爬虫】数据解析之re解析

朱雀 2024-04-26 03:13 7阅读 0赞

> 🔥一个人走得远了，就会忘记自己为了什么而出发，希望你可以不忘初心，不要随波逐流，一直走下去🎶  
> 🦋 欢迎关注🖱点赞👍收藏🌟留言🐾  
> 🦄 本文由 [**程序喵正在路上**][Link 1] 原创，CSDN首发！  
> 💖 系列专栏：[Python爬虫][Python]  
> 🌠 首发时间：2022年8月9日  
> ✅ 如果觉得博主的文章还不错的话，希望小伙伴们三连支持一下哦

#### 阅读指南 ####

*  数据解析概述
 *  正则表达式
 *  re模块
 *   *  1. findall
     *  2. finditer
     *  3. search
     *  4. match
     *  5. compile()
     *  6. 提取正则中的内容

## 数据解析概述 ##

前面，我们基本上掌握了抓取整个网页的基本技能，但是，在大多数情况下，我们并不需要整个网页的内容，只是需要那么一小部分，怎么办呢？

接下来，我们将会学习三种解析方式：

1.  re解析
2.  bs4解析
3.  xpath解析

这三种方式可以混合进行使用，完全以结果为导向，只要能拿到你想要的数据，用什么方案并不重要，当你掌握了这些之后，再考虑性能的问题

## 正则表达式 ##

正则表达式（**Regular Expression**），是一种使用表达式的方式对字符串进行匹配的语法规则

其实我们抓取到的网页源代码，本质上就是一个超长的字符串，想从里面提取内容，用正则再合适不过了

正则表达式的优点：速度快，效率高，准确性高；正则表达式的缺点：新手上手难度有一点点高

不过只要掌握了正则编写的逻辑关系，写出一个提取页面内容的正则其实并不复杂

正则的语法：使用元字符进行排列组合用来匹配字符串

推荐一个[在线正则表达式测试网站][Link 2]

元字符：具有固定含义的特殊符号

常用元字符有：

<table> 
 <thead> 
  <tr> 
   <th>元字符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>.</td> 
   <td>匹配除换行符以外的任意字符</td> 
  </tr> 
  <tr> 
   <td>\w</td> 
   <td>匹配字母或数字或下划线</td> 
  </tr> 
  <tr> 
   <td>\s</td> 
   <td>匹配任意的空白符</td> 
  </tr> 
  <tr> 
   <td>\d</td> 
   <td>匹配数字</td> 
  </tr> 
  <tr> 
   <td>\n</td> 
   <td>匹配一个换行符</td> 
  </tr> 
  <tr> 
   <td>\t</td> 
   <td>匹配一个制表符</td> 
  </tr> 
  <tr> 
   <td>^</td> 
   <td>匹配字符串的开始</td> 
  </tr> 
  <tr> 
   <td>$</td> 
   <td>匹配字符串的结尾</td> 
  </tr> 
  <tr> 
   <td>\W</td> 
   <td>匹配非字母或数字或下划线</td> 
  </tr> 
  <tr> 
   <td>\D</td> 
   <td>匹配非数字</td> 
  </tr> 
  <tr> 
   <td>\S</td> 
   <td>匹配非空白符</td> 
  </tr> 
  <tr> 
   <td>a | b</td> 
   <td>匹配字符a或字符b</td> 
  </tr> 
  <tr> 
   <td>()</td> 
   <td>匹配括号内的表达式，也表示一个组</td> 
  </tr> 
  <tr> 
   <td>[…]</td> 
   <td>匹配字符组中的字符</td> 
  </tr> 
  <tr> 
   <td>[^…]</td> 
   <td>匹配除了字符组中字符的所有字符</td> 
  </tr> 
 </tbody> 
</table>

量词：控制前面的元字符出现的次数

<table> 
 <thead> 
  <tr> 
   <th>量词</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>*</td> 
   <td>重复零次或更多次</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td>重复一次或更多次</td> 
  </tr> 
  <tr> 
   <td>？</td> 
   <td>重复零次或一次</td> 
  </tr> 
  <tr> 
   <td>{n}</td> 
   <td>重复n次</td> 
  </tr> 
  <tr> 
   <td>{n, }</td> 
   <td>重复n次或更多次</td> 
  </tr> 
  <tr> 
   <td>{n, m}</td> 
   <td>重复n到m次</td> 
  </tr> 
 </tbody> 
</table>

贪婪匹配和惰性匹配

写爬虫用的最多的就是惰性匹配

我们来看一下几个实例

![在这里插入图片描述][fd6a9e417fdf4da6a700d44d0234e8db.png]

![在这里插入图片描述][3984caacb6e543ae8389351cd548512f.png]

所以，我们可以发现有这样⼀个规律： .\*?表示尽可能少的匹配，.\*表示尽可能多的匹配

## re模块 ##

学会写正则表达式后，接下来的问题是 —— 怎么在 **Python** 程序中去使用正则  
呢?

答案是 re模块

在re模块中，我们只需要记住下面几个功能就足够使用了

### 1. findall ###

**findall**：匹配字符串中所有的符合正则的内容，返回类型为 **list**

不是很常用，因为当字符串很长的时候，用列表来处理效率是很低的

代码演示

import re
    
    lst = re.findall(r"\d+", "我的电话号是:10086，我的电话号是:10010")
    print(lst)

运行结果  
![在这里插入图片描述][1a8124a052d04451a850550890d8333e.png]

### 2. finditer ###

**finditer** 和 **findall** 差不多，只不过返回类型的是迭代器，从迭代器中拿到内容需要调用 **group()** 函数

很常用

代码演示

it = re.finditer(r"\d+", "我的电话号是:10086，我的电话号是:10010")
    for i in it:
        print(i.group())

运行结果

![在这里插入图片描述][a386fb2c900b47db8b2cc49e583e2ca6.png]

### 3. search ###

**search** 会进行匹配，但是如果匹配到了第⼀个结果，就会返回这个结果的 **match** 对象；如果匹配不上，**search** 返回的则是 **None**

代码演示

s = re.search(r"\d+", "我的电话号是:10086，我的电话号是:10010")
    print(s.group())

运行结果

![在这里插入图片描述][587ff1789a9f441b889b1cb9ff8e9558.png]

### 4. match ###

**match** 只能从字符串的开头进行匹配，所以也不是很常用

代码演示

s = re.match(r"\d+", "我的电话号是:10086，我的电话号是:10010")
    print(s.group())

运行结果

![在这里插入图片描述][6044f6929ccd4d2e944d52da10d2b110.png]

### 5. compile() ###

**compile()** 可以将⼀个长长的正则进行预加载，方便后面的使用，可以提高一点点效率，并且可以反复使用

代码演示

obj = re.compile(r"\d+")
    
    ret = obj.finditer("我的电话号是:10086，我的电话号是:10010")
    for it in ret:
        print(it.group())
    
    ret = obj.findall("今天是2022年8月7日")
    print(ret)

运行结果

![在这里插入图片描述][477b708bc13744d79f22ee343dfe1839.png]

### 6. 提取正则中的内容 ###

**(?P<分组名称>正则)**，这个式子可以单独从正则匹配的内容中进一步提取内容

代码演示

import re
    
    s = """
     <div class='peppa'><span id='1'>佩奇</span></div>
     <div class='george'><span id='2'>乔治</span></div>
     <div class='xiongda'><span id='3'>熊大</span></div>
     <div class='xionger'><span id='4'>熊二</span></div>
     <div class='man'><span id='5'>光头强</span></div> 
     """
    
    # (?P<分组名称>正则)，这个式子可以单独从正则匹配的内容中进一步提取内容
    obj = re.compile(r"<div class='.*?'><span id='(?P<id>\d+)'>(?P<name>.*?)</span></div>", re.S)  # re.S 让.能匹配换行符
    
    result = obj.finditer(s)
    for it in result:
        print(it.group("id") + " " + it.group("name"))

运行结果

![在这里插入图片描述][772ae530913c4340a7783891d47d76ac.png]

> 🧸 这次的分享就到这里啦，继续加油哦^^  
> 🐱 我是[程序喵][Link 1]，陪你一点点进步  
> 🍭 有出错的地方欢迎在评论区指出来，共同进步，谢谢啦

[Link 1]: https://blog.csdn.net/weixin_62511863?spm=1011.2421.3001.5343
[Python]: https://blog.csdn.net/weixin_62511863/category_11944614.html?spm=1001.2014.3001.5482
[Link 2]: https://tool.oschina.net/regex/
[fd6a9e417fdf4da6a700d44d0234e8db.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/6c31d9ac08f04cadaeede7882251b0f6.png
[3984caacb6e543ae8389351cd548512f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/3e72c9abc43d44a1b9cc8fbef8f9793e.png
[1a8124a052d04451a850550890d8333e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/f5d2932c99ff4159b3a4a63e10e1c59d.png
[a386fb2c900b47db8b2cc49e583e2ca6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/bf29207ffbcc42de894433d6e7ae1632.png
[587ff1789a9f441b889b1cb9ff8e9558.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/b7b1ec9d4d8d42a5bed8563cc551e2c0.png
[6044f6929ccd4d2e944d52da10d2b110.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/4469522ce656468aa6c8bf3bffea97f0.png
[477b708bc13744d79f22ee343dfe1839.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/76b52b7b0dd040389faad61f8237e0dd.png
[772ae530913c4340a7783891d47d76ac.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/86978b532cb84c53913b1b3177587d25.png