Python爬蟲(chóng)小白教程（三）——使用正則表達(dá)式分析網(wǎng)頁(yè)
2021-12-01 22:55:44

正則表達(dá)式

正則表達(dá)式是對(duì)字符串操作的邏輯公式，在某些情況下通過(guò)使用正則表達(dá)式我們可以輕易地獲取到我們想要的結(jié)果，下面先學(xué)習(xí)簡(jiǎn)單的正則表達(dá)式后就開(kāi)始實(shí)戰(zhàn)練習(xí)。

模式	概述	模式	概述
.	匹配任意字符，除了換行符	s	匹配空白字符
*	匹配前一個(gè)字符 0 次或多次	S	匹配任何非空白字符
+	匹配前一個(gè)字符 1 次或多次	d	匹配數(shù)字，等價(jià)于 [0-9]
?	匹配前一個(gè)字符 0 次或 1 次	D	匹配任何非數(shù)字
^	匹配字符串開(kāi)頭		匹配一個(gè)換行符
$	匹配字符串末尾	w	匹配字母數(shù)字
()	對(duì)正則表達(dá)式分組并記住匹配的文本	W	匹配非字母數(shù)字
[…]	表示一組字符。例：[amk] 匹配 ‘a(chǎn)’，‘m’或’k’	[^…]	不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。

以上只是一些基本的正則表達(dá)式，想更深入了解可以百度。

基本方法

re.match 方法

re.match嘗試從字符串的起始位置匹配一個(gè)模式，如果不是起始位置匹配成功的話，match()就返回none。
函數(shù)用法為：

re.match(pattern, string, flags=0)

參數(shù)	描述
pattern	匹配的正則表達(dá)式
string	匹配的字符串
flags	標(biāo)志位，用于控制正則表達(dá)式的匹配方式，如：是否區(qū)分大小寫，多行匹配等等。

flags的選擇如下

修飾符	描述
re.I	使匹配對(duì)大小寫不敏感
re.L	做本地化識(shí)別（locale-aware）匹配
re.M	多行匹配，影響 ^ 和 $
re.S	使 . 匹配包括換行在內(nèi)的所有字符
re.U	根據(jù)Unicode字符集解析字符。這個(gè)標(biāo)志影響 w, W, , B.
re.X	該標(biāo)志通過(guò)給予你更靈活的格式以便你將正則表達(dá)式寫得更易于理解。

舉個(gè)例子：

import re

string = 'Big bilibili is a learning website haha'
r = re.match(r'(.*) is (.*?) website', string)
print("匹配的整句話：", r.group(0))
print("匹配的第一個(gè)結(jié)果：", r.group(1))
print("匹配的第二個(gè)結(jié)果：", r.group(2))
print("匹配的結(jié)果列表：", r.groups())

得到的結(jié)果如下：

匹配的整句話： Big bilibili is a learning website
匹配的第一個(gè)結(jié)果： Big bilibili
匹配的第二個(gè)結(jié)果： a learning
匹配的結(jié)果列表： (‘Big bilibili’, ‘a(chǎn) learning’)

為什么要在正則表達(dá)式前加上r呢？
r'(.*) is (.*?) website'前面的r意思是raw string，代表純粹的字符串，這樣就不會(huì)對(duì)引號(hào)里面的反斜杠進(jìn)行特殊處理。因?yàn)樵谡齽t表達(dá)式中有一些類似于d的模式，所以模式中的單個(gè)反斜杠都要進(jìn)行轉(zhuǎn)譯。

re.search 方法

re.search 掃描整個(gè)字符串并返回第一個(gè)成功的匹配。
函數(shù)用法為：

re.search(pattern, string, flags=0)

它和re.match方法有什么區(qū)別呢？
re.match嘗試從字符串的起始位置匹配一個(gè)模式，而re.search 掃描整個(gè)字符串并返回第一個(gè)成功的匹配。舉個(gè)簡(jiǎn)單的例子：

import re

string = 'Big 6 bilibili is a learning website haha'
r = re.search(r'd (.*) is (.*?) website', string)
print("匹配的整句話：", r.group(0))
print("匹配的第一個(gè)結(jié)果：", r.group(1))
print("匹配的第二個(gè)結(jié)果：", r.group(2))
print("匹配的結(jié)果列表：", r.groups())

使用re.search得到結(jié)果如下：

匹配的整句話： 6 bilibili is a learning website
匹配的第一個(gè)結(jié)果： bilibili
匹配的第二個(gè)結(jié)果： a learning
匹配的結(jié)果列表： (‘bilibili’, ‘a(chǎn) learning’)

使用re.match方法

import re

string = 'Big 6 bilibili is a learning website haha'
r = re.match(r'd (.*) is (.*?) website', string)
print(r)

因?yàn)樽址_(kāi)頭不是數(shù)字，故無(wú)法匹配，得到結(jié)果為None。
因此我個(gè)人認(rèn)為match方法用到的地方可能會(huì)比較少。

re.findall 方法

在字符串中找到正則表達(dá)式所匹配的所有子串，并返回一個(gè)列表，如果沒(méi)有找到匹配的，則返回空列表。
舉個(gè)例子和上面兩種方法做個(gè)比較：

import re

r_match = re.match(r'd+', '1234 is the first number, 6666 is the second.')
r_search = re.search(r'd+', 'The first number is 1234, the second number is 6666.')
r_findall = re.findall(r'd+', 'The first number is 1234, the second number is 6666.')

print("r_match：", r_match.group())
print("r_search：", r_search.group())
print("r_findall：", r_findall)

得到的結(jié)果如下：

r_match： 1234
r_search： 1234
r_findall： [‘1234’, ‘6666’]

獲取自己的IP地址

下面我們通過(guò)查看自己IP的網(wǎng)站來(lái)看一下使用正則表達(dá)式的優(yōu)越性。
我們使用 http://httpbin.org/get 來(lái)查看自己的IP地址。
首先分析網(wǎng)頁(yè)。

打碼處為我的電腦現(xiàn)在的IP地址。通過(guò)分析網(wǎng)頁(yè)可知IP地址在一堆字符中的某一處，這樣使用以前的方法一層一層分析已經(jīng)不行了，所以我們現(xiàn)在使用正則表達(dá)式來(lái)獲取一下IP地址。
我們定義一下獲取頁(yè)面的函數(shù)。

def get_page(url,params=None,headers=None,proxies=None):

    response = requests.get(url, headers=headers, params=params, proxies=proxies)
    print("解析網(wǎng)址：",response.url)
    page = BeautifulSoup(response.text, 'lxml')
    print("響應(yīng)狀態(tài)碼：", response.status_code)
    
    return page

然后就可以獲取頁(yè)面的源碼了：

url = 'http://httpbin.org/get'
headers = {
    'Host': 'httpbin.org',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.79 Safari/537.36'
    }

page = get_page(url, headers=headers)

使用

page.text

來(lái)看一下結(jié)果（打碼處為IP地址）：

然后我們分析一下IP地址的特點(diǎn)：
IP地址為由.分隔開(kāi)的四組數(shù)字組成，每組數(shù)字有1-3位數(shù)字，這樣我們便可以定義IP地址的正則表達(dá)式r'd{1,3}.d{1,3}.d{1,3}.d{1,3}'，其中.匹配字符串中的.。因此可得獲得IP地址的代碼如下：

ip = re.findall(r'd{1,3}.d{1,3}.d{1,3}.d{1,3}', page.text)
print(ip[0])

這樣便可以得到本機(jī)的IP地址了。

爬蟲(chóng)系列

Python爬蟲(chóng)小白教程（一）—— 靜態(tài)網(wǎng)頁(yè)抓取
Python爬蟲(chóng)小白教程（二）—— 爬取豆瓣評(píng)分TOP250電影
Python爬蟲(chóng)小白教程（三）——使用正則表達(dá)式分析網(wǎng)頁(yè)
Python爬蟲(chóng)小白教程（四）—— 反反爬之IP代理池
Python爬蟲(chóng)小白教程（五）—— 多線程爬蟲(chóng)