Python爬虫入门指南:从零基础到实战

请添加图片描述
实际上爬虫一共就四个主要步骤:

  1. 明确目标 (要知道你准备在哪个范围或者网站去搜索)
  2. 爬 (将所有的网站的内容全部爬下来)
  3. 取 (去掉对我们没用处的数据)
  4. 处理数据(按照我们想要的方式存储和使用)

我们在之前写的爬虫程序中,都只是获取到了页面的全部内容,也就是只进行到了第2步,但是大部分的东西是我们不关心的,因此我们需要将之按我们的需要过滤和匹配出来。这时候我们就需要用到了正则表达式。

什么是正则表达式

正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。

正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。

给定一个正则表达式和另一个字符串,我们可以达到如下的目的:

  • 给定的字符串是否符合正则表达式的过滤逻辑(“匹配”);
  • 通过正则表达式,从文本字符串中获取我们想要的特定部分(“过滤”)。
  • 正则表达式匹配规则

    Python 的 re 模块

    在 Python 中,我们可以使用内置的 re 模块来使用正则表达式。

    有一点需要特别注意的是,正则表达式使用 对特殊字符进行转义,所以如果我们要使用原始字符串,只需加一个 r 前缀,如下:

    r'python\\t\\.\\tpython'
    

    re 模块的一般使用步骤如下:

    1. 使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象

    2. 通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果,一个 Match 对象。

    3. 最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作

    compile 函数

    compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:

    1 import re
    2 
    3 # 将正则表达式编译成 Pattern 对象
    4 pattern = re.compile(r'\\d+')
    

    在上面,我们已将一个正则表达式编译成 Pattern 对象,接下来,我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。

    Pattern 对象的一些常用方法主要有:

  • match 方法:从起始位置开始查找,一次匹配
  • search 方法:从任何位置开始查找,一次匹配
  • findall 方法:全部匹配,返回列表
  • finditer 方法:全部匹配,返回迭代器
  • split 方法:分割字符串,返回列表
  • sub 方法:替换
  • match 方法

    match 方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果。它的一般使用形式如下:

    match(string[, pos[, endpos]])

    其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。因此,当你不指定 pos 和 endpos 时,match 方法默认匹配字符串的头部。

    当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

     1 import re 2 
     3 pattern = re.compile(r'\\d+')  # 用于匹配至少一个数字
     4 
     5 str = 'abc123def456'
     6 
     7 p = pattern.match(str)  # 查找头部,没有匹配
     8 print(p)  # None
     9 
    10 p = pattern.match(str, 2, 9)  # 从'c'的位置开始匹配,没有匹配
    11 print(p)  # None
    12 
    13 p = pattern.match(str, 3, 9)  # 从'4'的位置开始匹配,正好匹配, 返回一个 Match 对象
    14 print(p)  # <re.Match object; span=(3, 6), match='123'>
    15 
    16 p = p.group(0)  # 可省略 0
    17 print(p)  # 123
    18 
    19 p = p.start(0)  # 可省略 0
    20 print(p)  # 3
    21 
    22 p = p.end(0)  # 可省略 0
    23 print(p)  # 6
    24 
    25 p = p.span(0)  # 可省略 0
    26 print(p)  # (3, 6)
    

    在上面,当匹配成功时返回一个 Match 对象,其中:

  • group([group1, …]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0);

  • start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为 0;

  • end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值为 0;

  • span([group]) 方法返回 (start(group), end(group))。

  • 我们再来看一下具体用法:

     1 import re 2 
     3 pattern = re.compile(r'(\[a-z\]+) (\[a-z\]+)', re.I)  # 用于匹配至少一个字母, re.I 表示忽略大小写
     4 
     5 str = 'Hello world hello Python'
     6 
     7 p = pattern.match(str)  # 查找头部,匹配成功,返回一个 Match 对象
     8 print(p)  # <re.Match object; span=(0, 11), match='Hello world'>
     9 
    10 p = p.group(0)  # 返回匹配成功的整个子串
    11 print(p)  # Hello world
    12 
    13 p = p.group(1)  # 返回第一个分组匹配成功的子串
    14 print(p)  # Hello
    15 p = p.group(2)  # 返回第二个分组匹配成功的子串
    16 print(p)  # world
    17 p = p.group(3)  # 不存在第三个分组
    18 print(p)  # IndexError: no such group
    19 
    20 p = p.span(0)  # 返回匹配成功的整个子串的索引
    21 print(p)  # (0, 11)
    22 p = p.span(1)  # 返回第一个分组匹配成功的子串的索引
    23 print(p)  # (0, 5)
    24 p = p.span(2)  # 返回第二个分组匹配成功的子串的索引
    25 print(p)  # (6, 11)
    26 p = p.span(3)  # 不存在第三个分组
    27 print(p)  # IndexError: no such group
    28 
    29 p = p.start(0)  # 返回匹配成功的整个子串的开始下标
    30 print(p)  # 0
    31 p = p.end(0)  # 返回匹配成功的整个子串的结束下标
    32 print(p)  # 11
    33 p = p.start(1)  # 返回第一个分组匹配成功的子串的开始下标
    34 print(p)  # 0
    35 p = p.end(1)  # 返回第一个分组匹配成功的子串的结束下标
    36 print(p)  # 5
    37 p = p.start(2)  # 返回第二个分组匹配成功的子串的开始下标
    38 print(p)  # 6
    39 p = p.end(2)  # 返回第二个分组匹配成功的子串的结束下标
    40 print(p)  # 11
    41 p = p.start(3)  # 返回第三个分组匹配成功的子串的开始下标
    42 print(p)  # IndexError: no such group
    43 p = p.end(3)  # 返回第三个分组匹配成功的子串的结束下标
    44 print(p)  # IndexError: no such group
    45 
    46 p = p.groups()  # 等价于 (m.group(1), m.group(2), ...)
    47 print(p)  # ('Hello', 'world')
    

    search 方法

    search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:

    search(string[, pos[, endpos]])

    其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

    当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。

     1 import re 2 
     3 pattern = re.compile(r'\\d+')  # 用于匹配至少一个数字
     4 
     5 str = 'abc123def456'
     6 
     7 p = pattern.search(str)  # 查找头部,匹配成功,返回一个 Match 对象
     8 print(p)  # <re.Match object; span=(3, 6), match='123'>
     9 
    10 p = pattern.search(str, 1, 3)  # 指定区间, 匹配失败,返回一个 None
    11 print(p)  # None
    12 
    13 p = pattern.search(str, 8, 10)  # 指定区间, 匹配成功,返回一个 Match 对象
    14 print(p)  # <re.Match object; span=(9, 10), match='4'>
    

    findall 方法

    上面的 match 和 search 方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。

    findall 方法的使用形式如下:

    findall(string[, pos[, endpos]])

    其中,string 是待匹配的字符串,pos 和 endpos 是可选参数,指定字符串的起始和终点位置,默认值分别是 0 和 len (字符串长度)。

    findall 以列表形式返回全部能匹配的子串,如果没有匹配,则返回一个空列表。

     1 import re 2 
     3 pattern = re.compile(r'\\d+')  # 用于匹配至少一个数字
     4 
     5 str = 'abc123def456'
     6 
     7 p = pattern.findall(str)  # 返回一个列表对象
     8 print(p)  # \['123', '456'\]
     9 
    10 p = pattern.findall(str, 1, 3)  # 返回一个列表对象
    11 print(p)  # \[\]
    

    finditer 方法

    finditer 方法的行为跟 findall 的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。

     1 import re 2 
     3 pattern = re.compile(r'\\d+')  # 用于匹配至少一个数字
     4 
     5 str = 'abc123def456'
     6 
     7 p = pattern.finditer(str)  # 返回一个 Match 对象
     8 print(p)  # <callable\_iterator object at 0x1054eb400>
     9 
    10 p = pattern.finditer(str, 1, 3)  # 返回一个 Match 对象
    11 print(p)  # <callable\_iterator object at 0x10552e358>
    

    在实际中我们很少应用 finditer 方法,因为我们还需要对获取的 Match 对象进行进一步处理,如循环,group() 等来获取直观数据。

    split 方法

    split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:

    split(string[, maxsplit])

    其中,maxsplit 用于指定最大分割次数,不指定将全部分割。

    1 import re
    2 
    3 pattern = re.compile(r'\[\\s\\,\\;\]+') # 匹配至少一个空格和 ;
    4 
    5 str = 'a,b;; c   d'
    6 
    7 p = pattern.split(str)
    8 print(p)  # \['a', 'b', 'c', 'd'\]
    

    sub 方法

    sub 方法用于替换。它的使用形式如下:

    sub(repl, string[, count])

    其中,repl 可以是字符串也可以是一个函数:

  • 如果 repl 是字符串,则会使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,另外,repl 还可以使用 id 的形式来引用分组,但不能使用编号 0;

  • 如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。

  • count 用于指定最多替换次数,不指定时全部替换。

  •  1 import re 2 
     3 pattern = re.compile(r'(\\w+) (\\w+)', re.I)  # \\w = \[A-Za-z0-9\]
     4 
     5 str = 'Hello 123, hello 456'
     6 
     7 p = pattern.sub(r'hello World', str)  # 使用 'hello World' 替换 'Hello 123' 和 'hello 456'
     8 print(p)  # hello World, hello World
     9 
    10 p = pattern.sub(r'hello World', str, 1)  # 使用 'hello World' 替换 'Hello 123', 1 表示最多替换一次
    11 print(p)  # hello World, hello 456
    

    本文仅做项目练习,切勿商用

    由于文章篇幅有限,文档资料内容较多,需要这些文档的朋友,可以加小助手微信免费获取,【保证100%免费】,中国人不骗中国人。
    请添加图片描述
    全套Python学习资料分享:
    一、Python所有方向的学习路线
    Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。

    二、学习软件

    工欲善其事必先利其器。学习Python常用的开发软件都在这里了,还有环境配置的教程,给大家节省了很多时间。

    三、全套PDF电子书
    书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。

    四、入门学习视频全套
    我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。


    五、实战案例
    光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。


    今天的分享就到这里,再见

    作者:Avaricious_Bear

    物联沃分享整理
    物联沃-IOTWORD物联网 » Python爬虫入门指南:从零基础到实战

    发表回复