寫爬蟲，怎麼可以不會正則呢？
- 2019 年 10 月 8 日
- 筆記
本文轉自公眾號『大齡碼農的Python之路』
很多人覺得正則很難，在我看來，這些人一定是沒有用心。其實正則很簡單，根據二八原則，我們只需要懂 20% 的內容就可以解決 80% 的問題了。我曾經有幾年幾乎每天都跟正則打交道，剛接手項目的時候我對正則也是一無所知，花半小時百度了一下，然後寫了幾個 demo，就開始正式接手了。三年多時間，我用到的正則鮮有超出我最初半小時百度到的知識的。
1、正則基礎
1.1、基礎語法
（1）常用元字元
|
語法 |
描述 |
|---|---|
|
b |
匹配單詞的開始或結束 |
|
d |
匹配數字 |
|
s |
匹配任意不可見字元（空格、換行符、製表符等），等價於[ fnrtv]。 |
|
w |
匹配任意 Unicode 字符集，包括字母、數字、下劃線、漢字等 |
|
. |
匹配除換行符（n）以外的任意字元 |
|
^ 或 A |
匹配字元串或行的起始位置 |
|
$ 或 Z |
匹配字元串或行的結束位置 |
（2）限定詞（又叫量詞）
|
語法 |
描述 |
|---|---|
|
* |
重複零次或更多次 |
|
+ |
重複一次或更多次 |
|
? |
重複零次或一次 |
|
{n} |
重複 n 次 |
|
{n,} |
重複 n 次或更多次 |
|
{n,m} |
重複 n 到 m 次 |
（3）常用反義詞
|
語法 |
描述 |
|---|---|
|
B |
匹配非單詞的開始或結束 |
|
D |
匹配非數字 |
|
S |
匹配任意可見字元， [^ fnrtv] |
|
W |
匹配任意非 Unicode 字符集 |
|
[^abc] |
除 a、b、c 以外的任意字元 |
（4）字元族
|
語法 |
描述 |
|---|---|
|
[abc] |
a、b 或 c |
|
[^abc] |
除 a、b、c 以外的任意字元 |
|
[a-zA-Z] |
a 到 z 或 A 到 Z |
|
[a-d[m-p]] |
a 到 d 或 m 到 p，即 [a-dm-p]（並集） |
|
[a-z&&[def]] |
d、e 或 f（交集） |
|
[a-z&&[^bc]] |
a 到 z，除了 b 和 c：[ad-z]（減去） |
|
[a-z&&[^m-p]] |
a 到 z，減去 m 到 p：[a-lq-z]（減去） |
以上便是正則的基礎內容，下面來寫兩個例子看下：
s = '123abc你好' re.search('d+', s).group() re.search('w+', s).group()
結果：
123 123abc你好
是不是很簡單？
1.2、修飾符
修飾符在各語言中也是有差異的。
Python 中的修飾符：
|
修飾符 |
描述 |
|---|---|
|
re.A |
匹配 ASCII字元類，影響 w, W, b, B, d, D |
|
re.I |
忽略大小寫 |
|
re.L |
做本地化識別匹配（這個極少極少使用） |
|
re.M |
多行匹配，影響 ^ 和 $ |
|
re.S |
使 . 匹配包括換行符（n）在內的所有字元 |
|
re.U |
匹配 Unicode 字符集。與 re.A 相對，這是默認設置 |
|
re.X |
忽略空格和 # 後面的注釋以獲得看起來更易懂的正則。 |
（1）re.A
修飾符 A 使 w 只匹配 ASCII 字元，W 匹配非 ASCII 字元。
s = '123abc你好' re.search('w+', s, re.A).group() re.search('W+', s, re.A).group()
結果：
123abc 你好
但是描述中還有 d 和 D，數字不都是 ASCII 字元嗎？這是什麼意思？別忘了，還有 全形和半形！
s = '０１２３４５６７８９' # 全形數字 re.search('d+', s, re.U).group()
結果：
０１２３４５６７８９
（2）re.M 多行匹配的模式其實也不常用，很少有一行行規整的數據。
s = 'aaarnbbbrnccc' re.findall('^[sw]*?$', s) re.findall('^[sw]*?$', s, re.M)
結果：
['aaarnbbbrnccc'] # 單行模式 ['aaar', 'bbbr', 'ccc'] # 多行模式
（3）re.S 這個簡單，直接看個例子。
s = 'aaarnbbbrnccc' re.findall('^.*', s) re.findall('^.*', s, re.S)
結果：
['aaar'] ['aaarnbbbrnccc']
（4）re.X 用法如下：
rc = re.compile(r""" d+ # 匹配數字 # 和字母 [a-zA-Z]+ """, re.X) rc.search('123abc').group()
結果：
123abc
注意，用了
X修飾符後，正則中的所有空格會被忽略，包括正則裡面的原本有用的空格。如果正則中有需要使用空格，只能用s代替。
（5）(?aiLmsux) 修飾符不僅可以程式碼中指定，也可以在正則中指定。(?aiLmsux) 表示了以上所有的修飾符，具體用的時候需要哪個就在 ? 後面加上對應的字母，示例如下，(?a) 和 re.A 效果是一樣的：
s = '123abc你好' re.search('(?a)w+', s).group() re.search('w+', s, re.A).group()
結果是一樣的：
123abc 123abc
1.3、貪婪與懶惰
當正則表達式中包含能接受重複的限定符時，通常的行為是（在使整個表達式能得到匹配的前提下）匹配儘可能多的字元。
s = 'aabab' re.search('a.*b', s).group() # 這就是貪婪 re.search('a.*?b', s).group() # 這就是懶惰
結果：
aabab aab
簡單來說：
- 所謂貪婪，就是儘可能 多 的匹配；
- 所謂懶惰，就是儘可能 少 的匹配。
*、+、{n,}這些表達式屬於貪婪；*?、+?、{n,}?這些表達式就是懶惰（在貪婪的基礎上加上?）。
2、正則進階
2.1、捕獲分組
|
語法 |
描述 |
|---|---|
|
(exp) |
匹配exp，並捕獲文本到自動命名的組裡 |
|
(?Pexp) |
匹配exp，並捕獲文本到名稱為 name 的組裡 |
|
(?:exp) |
匹配exp，不捕獲匹配的文本，也不給此分組分配組號 |
|
(?P=name) |
匹配之前由名為 name 的組匹配的文本 |
注意：在其他語言或者網上的一些正則工具中，分組命名的語法是
(?<name>exp)或(?'name'exp)，但在 Python 里，這樣寫會報錯：This named group syntax is not supported in this regex dialect。Python 中正確的寫法是：(?P<name>exp)
示例一：
分組可以讓我們用一條正則提取出多個資訊，例如：
s = '姓名：張三；性別：男；電話：138123456789' m = re.search('姓名[:：](w+).*?電話[:：](d{11})', s) if m: name = m.group(1) phone = m.group(2) print(f'name:{name}, phone:{phone}')
結果：
name:張三, phone:13812345678
示例二：
(?P<name>exp) 有時還是會用到的， (?P=name) 則很少情況下會用到。我想了一個 (?P=name) 的使用示例，給大家看下效果：
s = ''' <name>張三</name> <age>30</age> <phone>138123456789</phone> ''' pattern = r'<(?P<name>.*?)>(.*?)</(?P=name)>' It = re.findall(pattern, s)
結果：
[('name', '張三'), ('age', '30'), ('phone', '138123456789')]
2.2、零寬斷言
|
語法 |
描述 |
|---|---|
|
(?=exp) |
匹配exp前面的位置 |
|
(?<=exp) |
匹配exp後面的位置 |
|
(?!exp) |
匹配後面跟的不是exp的位置 |
|
(?<!exp) |
匹配前面不是exp的位置 |
注意：正則中常用的前項界定
(?<=exp)和前項否定界定(?<!exp)在 Python 中可能會報錯：look-behind requires fixed-width pattern，原因是 python 中 前項界定的表達式必須是定長的，看如下示例：
(?<=aaa) # 正確 (?<=aaa|bbb) # 正確 (?<=aaa|bb) # 錯誤 (?<=d+) # 錯誤 (?<=d{3}) # 正確
2.3、條件匹配
這大概是最複雜的正則表達式了。語法如下：
|
語法 |
描述 |
|---|---|
|
(?(id/name)yes|no) |
如果指定分組存在，則匹配 yes 模式，否則匹配 no 模式 |
此語法極少用到，印象中只用過一次。
以下示例的要求是：如果以 _ 開頭，則以字母結尾，否則以數字結尾。
s1 = '_abcd' s2 = 'abc1' pattern = '(_)?[a-zA-Z]+(?(1)[a-zA-Z]|d)' re.search(pattern, s1).group() re.search(pattern, s2).group()
結果：
_abcd abc1
2.4、findall
Python 中的 re.findall 是個比較特別的方法（之所以說它特別，是跟我常用的 C# 做比較，在沒看注釋之前我想當然的掉坑裡去了）。我們看這個方法的官方注釋：
Return a list of all non-overlapping matches in the string. If one or more capturing groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group. Empty matches are included in the result.
簡單來說，就是
- 如果沒有分組，則返回整條正則匹配結果的列表；
- 如果有 1 個分組，則返回分組匹配到的結果的列表；
- 如果有多個分組，則返回分組匹配到的結果的元組的列表。
看下面的例子：
s = 'aaa123bbb456ccc' re.findall('[a-z]+d+', s) # 不包含分組 re.findall('[a-z]+(d+)', s) # 包含一個分組 re.findall('([a-z]+(d+))', s) # 包含多個分組 re.findall('(?:[a-z]+(d+))', s) # ?: 不捕獲分組匹配結果
結果：
['aaa123', 'bbb456'] ['123', '456'] [('aaa123', '123'), ('bbb456', '456')] ['123', '456']
零寬斷言中講到 Python 中前項界定必須是定長的，這很不方便，但是配合 findall 有分組時只取分組結果的特性，就可以模擬出非定長前項界定的效果了。
結語
其實正則就像是一個數學公式，會背公式不一定會做題。但其實這公式一點也不難，至少比學校里學的數學簡單多了，多練習幾次也就會了。
