基于scrapy的分布式爬虫（3）：正则表达式

正则表达式

正则表达式，regular expression，通常被简写为 regex，其作用是对于信息的提取。

基本用法

常见元字符及语法

使用正则表达式编程

练习题

优质学习资源推荐

基本用法

python 中的正则表达式使用不需要安装第三方库，只需要调用

re

库即可，具体写法为：

import re

subject = "我是一个粉刷匠，粉刷本领强。"
reobj = re.compile(r'.*(粉刷匠).*')
matchobj = reobj.match(subject)
if matchobj:
print(matchobj.group(1))

# 输出结果
# 粉刷匠

这是一个简单的语句，大家暂时只需要了解就行了。下面将结合例子，讲解正则表达式的内容。

常见元字符及语法

元字符用法说明

12大元字符包括：

^ $ . * ? + { [ | ( ) \

。 注意：不包括

] - }

这是因为：12大元字符（metacharacters）需要转义字符

/

进行声明，而

]

和

-

只有在位于一个没有转义的

[

之后才是元字符，

}

不需要转义。

# -*- coding:utf-8 -*-

import re

"""
^: 匹配字符开头
$: 匹配字符结尾
.: 匹配除换行符（\n）之外的任意字符
*: 匹配字符次数（>=0）
?: 非贪婪匹配
+: 匹配字符次数（>=1）
{}: 用来指定匹配次数
[]: 用来表示字符集
|: 表示逻辑"或"
\: 转义字符
"""

## Task1: ^ $ . * 的用法
subject_1 = "woww"

reobj_1_1 = re.compile(r"^w.*w$")
# 匹配以w开头, w结尾的字符串, 中间可以为任意长度字符
print(reobj_1_1.match(subject_1).group())
# 匹配结果为：woww

## Task2: ?的用法, 关于贪婪匹配和非贪婪匹配
subject_2 = "hahawoooooooooooww"

reobj_2_1 = re.compile(r".*(w.*w).*")
print(reobj_2_1.match(subject_2).group(1))
# 匹配结果为: ww
# 原因: 贪婪匹配时, 前面的 hahawooooooooooo 全部视作 .*
#           此时的执行顺序可以视为从字符串右边开始

reobj_2_2 = re.compile(r".*?(w.*?w).*")
print(reobj_2_2.match(subject_2).group(1))
# 匹配结果为: wooooooooooow
# 原因: 非贪婪匹配时, 执行顺序从左往右
#       ?(w.*?w)的实质为第一个"w....w"形式的字符串

## Task3: {} [] 的用法
# 简单手机号码匹配
# 手机号码特征：长度为11位;
# 常用号段(简单起见, 以前两位为例): 13、15、17、18
subject_3_1 = "12332539403"  # 非手机号码
subject_3_2 = "13902899430"  # 正常手机号码

reobj_3 = re.compile(r"1[3 5 7 8][0-9]{9}")
# 以1开头, 第二位是3 5 7 8, 后面为0-9且共9位
if not reobj_3.match(subject_3_1) and reobj_3.match(subject_3_2):
print("yes")
# 输出结果: yes

## Task4: () | 的用法
# 判断性别是否正确录入
# 性别只能为"男"或"女"

subject_4_1 = "性别 女"
subject_4_2 = "性别 难"

reobj_4 = re.compile(r"(性别 )(男|女)")
# ()进行分组, | 表示男或女
if reobj_4.match(subject_4_1) and not reobj_4.match(subject_4_2):
print("yes")
# 输出结果: yes

预定义字符集用法说明

写法	含义
\d	数字 [0-9]
\D	非数字
\s	空白字符 [\t \r \n \f \v]
\S	非空白字符
\w	单词字符 [0-9] [a-z] [A-Z] _(下划线)
\W	非单词字符
[\u4E00-\u9FA5]	汉字

关于转义字符的一些解释

转义字符 \ 的意义在于，将元字符进行翻译，这里的元字符是指12大元字符。

为了避免操作时出现的混乱，Python 为我们提供了一种简便的写法，即

r""

。在该语句中，所有元字符都不需要使用 \ 来说明其意义。

匹配不可打印字符

名称	指令	16进制
响铃（bell）	\a	0X07
退出（escape）	\e	0X1B
换页（form feed）	\f	0X0C
换行（line feed）	\n	0X0A
回车（carriage return）	\r	0X0D
水平制表符（horizontal tab）	\t	0x09
垂直制表符（vertical tab）	\v	0x0B

在正则表达式中添加注释

用来解释说明正则表达式含义。方法很简单，只需要在前面添加

(?#...)

即可，具体用法如下：

re.compile(r"(?#姓名)(\w+)")

使用正则表达式编程

创建正则表达式对象

re.compile(r".*\d+")

检测是否可以在目标字符串中找到匹配

if re.search("regex pattern", subject):
# successful match
else:
# match attempt failed

检测正则表达式能否匹配整个目标字符串

if re.match(r"regex pattern\Z", subject):
# \Z 表示定位结束符，定位在末尾，作用同 $
# successful match
else:
# match attempt failed

获取匹配文本

matchobj = re.search(r"regex pattern", subject)
if matchobj:
result = matchobj.group()
else:
result = ""

确定匹配的位置和长度

matchobj = re.search(r"\d+", subject)
if matchobj:
matchstart = matchobj.start()
matchlength = matchobj.end() - matchstart()

命名捕获

matchobj = re.search("http://([a-z0-9.-]+)", subject)
if matchobj:
result = matchobj.group(1)

Python 支持最多 99 个

group

分组，分组标号从 0 开始。

其中，

group(0)

表示整个正则表达式的匹配。

如果想获取包含所有分组所匹配文本的一个元组，调用

groups()

方法。

如果想获取包含所有分组所匹配文本的一个字典，调用

groupdict()

方法。

获取所有匹配的列表

result = re.findall(r"\d+", subject)

遍历全部匹配

for matchobj in re.finditer(r"\d+", subject):
......

拆分字符串

result = re.split("<[^<>]*>", subject)

逐行查找

lines = re.split("\r?\n", subject)
reobj = re.compile("regex pattern")
for line in lines[:]:
if re.search(line):
# The regex matches line
else:
# The regex does not match line

替换掉匹配字符

result = re.sub("before", "after", subject)

练习题

这里给大家出几个练习题，正好巩固一下所学知识。

E-Mail地址合法性验证

要求：

以 @ 符号划分，其中 @ 符号之前的为用户名，@ 符号之后的为域名。

用户名和域名均为常用字符，可以包含一个或多个点号，但是不允许出现两个连续的点号。

另外，用户名和域名的第一个和最后一个字符不允许为点号。

传统日期合法性验证

要求： 日期格式为 mm/dd/yy、mm/dd/yyyy、dd/mm/yy 和 dd/mm/yyyy。

传统时间格式的合法性验证

要求： 时间格式为 hh:mm 和 hh:mm:ss，并且要包括 12 小时制和 24 小时制。

优质学习资源推荐

博客：正则表达式指南。可以作为 cookbook 进行快速查阅，缺点是 python 版本为 2.4。

知乎：你是如何学会正则表达式的？。内容非常丰富，推荐推荐！

博客：《构造正则表达式引擎》。建议有一定基础的人再去学习，我暂时只是收藏。

书籍：《正则表达式经典实例》。本书汇集了 8 种语言的正则表达式内容，非常全面。