c 抓取网页数据(Python爬虫世界里必不可少的神兵利器-页面解析和数据提取)

　　c 抓取网页数据(Python爬虫世界里必不可少的神兵利器-页面解析和数据提取)

　　页面解析和数据提取javascript

　　一般来说，对于我们来说，需要爬取的是一个网站或者一个应用的内容，以提取有用的价值。内容通常分为两部分，非结构化数据和结构化数据。php

　　非结构化数据处理文本、电话号码、电子邮件地址HTML 文档结构化数据处理JSON 文档XML 文档为什么要学习正则表达式

　　其实爬虫主要有四个步骤： css

　　清除目标（知道要在哪个范围内搜索或网站） 爬取（爬取网站的所有内容） 获取（删除对我们无用的数据） 处理数据（根据以我们想要的方式存储和使用）

　　我们实际上省略了步骤 3，即昨天案例中的“采取”步骤。由于我们下载的数据都是网页，数据庞大而混乱，而且大部分是我们不关心的，所以我们需要根据自己的需要进行过滤和匹配。html

　　所以对于文本过滤或者规则匹配来说，最厉害的就是正则表达式，它是Python爬虫世界里不可或缺的利器。爪哇

　　什么是正则表达式

　　正则表达式也称为正则表达式，一般用于检索和替换符合某种模式（规则）的文本。节点

　　正则表达式是一个字符串操作的逻辑公式，就是用一些预先定义好的特定字符和这些特定字符的组合组成一个“规则字符串”，而这个“规则字符串”用来表达A过滤逻辑字符串。Python

　　给定一个正则表达式和另一个字符串，我们可以实现以下目标： 程序员

　　

　　正则表达式匹配规则

　　

　　Python的re模块

　　在 Python 中，我们可以通过内置的 re 模块来使用正则表达式。网络

　　需要注意的一点是正则表达式使用特殊字符的转义，所以如果我们想使用原创字符串，只需添加一个 r 前缀，例如：正则表达式

　　r'chuanzhiboke\t\.\tpython'

　　使用 re 模块的通常步骤如下：

　　使用compile()函数将正则表达式的字符串形式编译成Pattern对象

　　通过Pattern对象提供的一系列方法，对文本进行匹配查找，得到匹配结果，就是一个Match对象。

　　最后，使用 Match 对象提供的属性和方法来获取信息，并根据需要执行其余操作。编译函数

　　compile函数用于编译正则表达式并生成Pattern对象，通常以如下形式使用：

　　import re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(r'\d+')

　　上面，我们已经将一个正则表达式编译成一个 Pattern 对象。接下来，我们可以使用pattern的一系列方法来匹配文本。

　　Pattern 对象的一些常用方法是：

　　匹配方法

　　match方法用于查找字符串的头部（也可以指定起始位置），是一个匹配，只要找到一个匹配的结果，就会返回，而不是查找所有的匹配结果。它通常以下列形式使用：

　　match(string[, pos[, endpos]])

　　其中，string为要匹配的字符串，pos和endpos为可选参数，指定字符串的起止位置，默认值分别为0和len（字符串长度）。所以，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，则返回 None。

　　>>> import re

>>> pattern = re.compile(r'\d+') # 用于匹配至少一个数字

　　>>> m = pattern.match('one12twothree34four') # 查找头部，没有匹配

>>> print m

　　None

　　>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配

>>> print m

　　None

　　>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配

>>> print m # 返回一个 Match 对象

　　>>> m.group(0) # 可省略 0

　　'12'

　　>>> m.start(0) # 可省略 0

　　3

　　>>> m.end(0) # 可省略 0

　　5

　　>>> m.span(0) # 可省略 0

　　(3, 5)

　　上面，匹配成功时返回一个 Match 对象，其中：

　　让我们看另一个例子：

　　>>> import re

>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写

>>> m = pattern.match('Hello World Wide Web')

>>> print m # 匹配成功，返回一个 Match 对象

　　>>> m.group(0) # 返回匹配成功的整个子串

　　'Hello World'

　　>>> m.span(0) # 返回匹配成功的整个子串的索引

　　(0, 11)

　　>>> m.group(1) # 返回第一个分组匹配成功的子串

　　'Hello'

　　>>> m.span(1) # 返回第一个分组匹配成功的子串的索引

　　(0, 5)

　　>>> m.group(2) # 返回第二个分组匹配成功的子串

　　'World'

　　>>> m.span(2) # 返回第二个分组匹配成功的子串

　　(6, 11)

　　>>> m.groups() # 等价于 (m.group(1), m.group(2), ...)

　　('Hello', 'World')

　　>>> m.group(3) # 不存在第三个分组

　　Traceback (most recent call last): File "", line 1, in IndexError: no such group

　　-------------------------------------------------- -------------------------------------------------- -- 搜索方法

　　search 方法用于查找字符串中的任何位置。这也是一场比赛。只要找到匹配结果，就会返回，而不是查找所有匹配结果。它通常以下列形式使用：

　　搜索（字符串[，pos[，endpos]]）

　　其中，string为要匹配的字符串，pos和endpos为可选参数，指定字符串的起止位置，默认值分别为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，则返回 None。

　　让我们看一个例子：

　　>>> import re

>>> pattern = re.compile('\d+')

>>> m = pattern.search('one12twothree34four') # 这里若是使用 match 方法则不匹配

>>> m

>>> m.group()

'12'

>>> m = pattern.search('one12twothree34four', 10, 30) # 指定字符串区间

>>> m

>>> m.group()

'34'

>>> m.span()

(13, 15) 

　　让我们看另一个例子：

　　# -*- coding: utf-8 -*-

import re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(r'\d+')

# 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None

# 这里使用 match() 没法成功匹配

m = pattern.search('hello 123456 789')

if m:

# 使用 Match 得到分组信息

print 'matching string:',m.group()

# 起始位置和结束位置

print 'position:',m.span()

　　结果：

　　matching string: 123456

position: (6, 12)

　　-------------------------------------------------- -------------------------------------------------- -- findall 方法

　　以上匹配和搜索方式都是一次性匹配，只要找到匹配结果，就会返回。但是，大多数时候，我们需要搜索整个字符串来获得所有匹配的结果。

　　findall 方法可以按以下形式使用：

　　findall(string[, pos[, endpos]])

　　其中，string为要匹配的字符串，pos和endpos为可选参数，指定字符串的起止位置，默认值分别为0和len（字符串长度）。

　　findall 将所有匹配的子字符串作为一个列表返回，如果没有匹配则返回一个空列表。

　　看一下这个例子：

　　import re

pattern = re.compile(r'\d+') # 查找数字

result1 = pattern.findall('hello 123456 789')

result2 = pattern.findall('one1two2three3four4', 0, 10)

print result1

print result2

　　结果：

　　['123456', '789']

['1', '2']

　　我们先来看一个栗子：

　　# re_test.py

import re

#re模块提供一个方法叫compile模块，提供咱们输入一个匹配的规则

#而后返回一个pattern实例，咱们根据这个规则去匹配字符串

pattern = re.compile(r'\d+\.\d*')

#经过partten.findall()方法就可以所有匹配到咱们获得的字符串

result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

#findall 以 列表形式 返回所有能匹配的子串给result

for item in result:

print item

　　运行结果：

　　123.141593

3.15

　　-------------------------------------------------- -------------------------------------------------- -- 查找器方法

　　finditer 方法的行为类似于 findall 的行为，同样会搜索整个字符串并获取所有匹配的结果。但它返回一个迭代器，该迭代器按顺序访问每个匹配结果（Match 对象）。

　　看一下这个例子：

　　# -*- coding: utf-8 -*-

import re

pattern = re.compile(r'\d+')

result_iter1 = pattern.finditer('hello 123456 789')

result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)

print type(result_iter1)

print type(result_iter2)

print 'result1...'

for m1 in result_iter1: # m1 是 Match 对象

print 'matching string: {}, position: {}'.format(m1.group(), m1.span())

print 'result2...'

for m2 in result_iter2:

print 'matching string: {}, position: {}'.format(m2.group(), m2.span())

　　结果：

　　

result1...

matching string: 123456, position: (6, 12)

matching string: 789, position: (13, 16)

result2...

matching string: 1, position: (3, 4)

matching string: 2, position: (7, 8)

　　-------------------------------------------------- -------------------------------------------------- -- 分割方法

　　split 方法根据可以匹配的子字符串将字符串拆分后返回一个列表。它可以以下列形式使用：

　　split(string[, maxsplit]) 

　　其中，maxsplit 用于指定最大拆分次数，而不是指定所有拆分。

　　看一下这个例子：

　　import re

p = re.compile(r'[\s\,\;]+')

print p.split('a,b;; c d')

　　结果：

　　['a', 'b', 'c', 'd']

　　-------------------------------------------------- -------------------------------------------------- -- 子方法

　　sub 方法用于替换。它以下列形式使用：

　　sub(repl, string[, count])

　　其中，repl 可以是字符串，也可以是函数：

　　看一下这个例子：

　　import re

p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]

s = 'hello 123, hello 456'

print p.sub(r'hello world', s) # 使用 'hello world' 替换 'hello 123' 和 'hello 456'

print p.sub(r'\2 \1', s) # 引用分组

def func(m):

return 'hi' + ' ' + m.group(2)

print p.sub(func, s)

print p.sub(func, s, 1) # 最多替换一次 

　　结果：

　　hello world, hello world

123 hello, 456 hello

hi 123, hi 456

hi 123, hello 456

　　-------------------------------------------------- -------------------------------------------------- -- 匹配中文

　　在某些情况下，我们希望匹配文本中的汉字。需要注意的一点是，中文的unicode编码范围主要在[u4e00-u9fa5]，这主要是因为这个范围不完整，比如不包括全角（中文）标点，但是，在大多数情况下。

　　假设现在要提取字符串title = u'hello, hello, world'中的中文，可以这样：

　　import re

title = u'你好，hello，世界'

pattern = re.compile(ur'[\u4e00-\u9fa5]+')

result = pattern.findall(title)

print result

　　请注意，我们为正则表达式添加了两个前缀 ur，其中 r 表示使用原创字符串，u 表示它是 unicode 字符串。

　　结果：

　　[u'\u4f60\u597d', u'\u4e16\u754c']

　　注意：贪心模式和非贪心模式贪心模式：在整个表达式匹配成功的前提下，尽量匹配（*）；非贪心模式：在整个表达式匹配成功的前提下，尽量少匹配（?）；Python 中的量词默认是贪婪的。示例 1：源字符串：abbbc 示例 2：源字符串：aa

　　测试1

　　bb

　　测试2

　　抄送

　　这是贪婪模式。匹配到第一个“

　　"，整个表达式都可以匹配成功，但是因为使用了贪心模式，所以还是要尝试向右匹配，看是否有更长的子串可以匹配成功。匹配到第二个"