网络爬虫进阶

一、re模块compile

        在爬虫或任何需要处理字符串和文本数据的Python程序中，re模块的compile()函数是一个非常重要的工具。这个函数用于编译一个字符串形式的正则表达式，将其转换为一个模式对象（Pattern对象）。使用编译后的模式对象进行匹配操作（如match()、search()、findall()等）通常比直接使用字符串形式的正则表达式更高效，特别是当需要对同一个正则表达式进行多次匹配操作时。

        在爬虫开发中，经常需要从HTML或XML文档中提取信息。这些信息可能以各种形式存在，如标签内的文本、属性值等。通过使用re.compile()编译正则表达式，爬虫可以更高效地提取这些数据。

# 导入re
import re
# \d 数字 +1 次无数次 r表示原始字符串
patteren = re.compile(r'\d+')
print(patteren)

二、match方法使用

        在Python的re模块中，match()方法用于从字符串的起始位置匹配正则表达式。如果匹配成功，它会返回一个匹配对象（Match对象），否则返回None。这个特性使得match()方法特别适用于检查一个字符串是否以某个模式开始。

        在爬虫中，match()方法可能不是最常用的，因为爬虫通常需要处理的是HTML或XML文档，这些文档的结构往往比较复杂，不一定以简单的模式开始。然而，在处理某些特定格式的文本或响应头时，match()方法仍然非常有用。

# 导入re模块
import re
# 设置正则表达式匹配规则
pattern = re.compile(r"\d+")
# m1 = pattern.match('123456789')
# m1 = pattern.match('1234a56789')
# 匹配的目标文本，没有匹配到则终止匹配，由于o字母不是数字因此无匹配数据
m1 = pattern.match('one1234two56three789')
print(m1)
# print(m1.group())
#match 从第一个o匹配
# 参数2：匹配的起始位置，下标数包含
# 参数3：匹配的结束位置，下标数不包含
m1 = pattern.match('one1234two56three789',3,6) #,3,6定义区间 索引（下标数）表示 不是位数表示 由0开始
print(m1.group())  # 通过group查看匹配的数据

三、search方法的使用

        在Python的re模块中，search()方法用于在字符串中搜索第一个匹配正则表达式的位置。与match()方法不同，search()方法不需要匹配发生在字符串的起始位置。如果找到匹配项，search()会返回一个匹配对象（Match对象），其中包含有关匹配的信息；如果没有找到匹配项，则返回None。

        在爬虫中，search()方法非常有用，因为它允许你在HTML文档或其他文本数据中搜索特定的模式，而不需要担心这些模式是否位于文本的开头。例如，你可以使用search()来查找HTML中的特定标签、属性或文本内容。

        虽然findall()方法可能更常用于提取多个匹配项，但search()方法可以在找到第一个匹配项后立即停止搜索，这在某些情况下可以提高效率。然而，对于提取所有链接的情况，findall()通常是更好的选择。不过，为了说明search()的用法，我们可以假设我们只关心HTML中的第一个链接。

import repattern = re.compile(r"\d+")
# search 字符串中任意位置匹配，如果匹配失败则结束匹配 从第一个开始满足条件的开始往后走 然后在后边有不满足的直接结束 前边不满足的跳过 找到第一个满足的再继续往下走
#方法用于查找字符串的任意位置
#他是一次匹配，只要找到一个匹配的结果就返回，不是查找所有匹配的结果
m1 = pattern.search('one123two456three789')
print(m1.group())

四、findall方法使用

        在Python的re模块中，findall()方法用于在字符串中查找所有匹配正则表达式的子串，并返回一个包含所有匹配项的列表。如果没有找到任何匹配项，它将返回一个空列表。这个方法非常适合于从文本中提取多个符合特定模式的片段，如电话号码、电子邮件地址、链接等。

        在爬虫开发中，findall()方法常用于从HTML或XML文档中提取多个匹配项。例如，你可能需要从一个网页中提取所有图片的URL、所有链接的文本或所有特定类别的数据。

import re# pattern = re.compile(r"\d+")  # 正则表达式规则要求
# #  finall 方法用于搜索整个字符串，获得所有匹配结果
# result = pattern.findall('hello 123 world 456')
# print(result)# 获得所有字母
pattern = re.compile(r"\D+")
result = pattern.findall('hello 123 world 456')
print(result)

五、split方法的使用

        在爬虫开发中，split() 方法是 Python 字符串对象的一个非常有用的内置方法，它用于将字符串分割成列表。虽然 split() 方法本身并不直接涉及网络请求或HTML解析等爬虫特有的操作，但它经常在处理从网页中提取的数据时使用，特别是在需要将数据从较大的字符串中分离成更小的、可管理的部分时。

        split() 方法可以接受一个可选的分隔符作为参数，如果不提供参数，则默认使用任何空白字符（如空格、换行符 \n、制表符 \t 等）作为分隔符。

        在爬虫中，split() 方法可以用于处理从网页中提取的字符串数据，比如将CSV格式的数据行分割成多个字段，或将包含多个值的字符串（由特定分隔符分隔）分解成单独的元素。

import restr = 'a,b,c'
print(str.split(','))  # 逗号间隔符str1 = 'a,b;; c d'
# 匹配的格式：按照， ； 空格 进行拆分
pattern = re.compile(r'[\s\,\;]+')  # \s表空格 ，表示，\;表示；
print(pattern.split(str1))

六、sub方法的使用

        在爬虫开发中，sub() 方法并不是 Python 标准库中直接用于爬虫的一个特定方法，但它却是 re 模块（正则表达式模块）中一个非常有用的函数，经常在处理从网页中提取的文本数据时用到。sub() 方法用于替换字符串中所有匹配正则表达式的部分。

re.sub(pattern, repl, string, count=0, flags=0) 函数的基本参数如下：

• pattern：正则表达式的模式字符串。
• repl：替换的字符串（也可为一个函数）。
• string：要被查找和替换的原始字符串。
• count：模式匹配后替换的最大次数，默认为0，表示替换所有的匹配。
• flags：标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等。

         在爬虫中，sub() 方法常用于清理或修改从网页中提取的文本数据。例如，你可能需要去除文本中的HTML标签、替换特定的字符或字符串、清理不必要的空格等。

import restring = '<h1 class="test">HelloWorld</h1>'
pattern = re.compile(r'\d')
# 参数1：替换后的值
# 参数2：原字符串 原值
print(pattern.sub('2', string))
# 参数3：替换几个
print(pattern.sub('2', string,2))# 分组
string='<h1 class="test">HelloWorld</h1>'
# P<classname>为组声明一个名字可以通过名字调用该组
pattern = re.compile(r'<(.\d)\sclass="(?P<classname>.*?)">.*?</(.1)>')
print(pattern.search(string).group(1))
print(pattern.search(string).group(2))
print(pattern.search(string).group('classname'))
print(pattern.search(string).group(3))# 定义函数时定义一个形参m
def func(m):return "after sub" + m.group('classname')# sub方法中传入函数，
# 参数1：函数名
# 参数2：目标字符串
print(pattern.sub(func,string))

七、贪婪匹配

        在爬虫和正则表达式（Regular Expressions）中，贪婪匹配（Greedy Matching）是一种默认的行为模式，它会在满足匹配条件的前提下，尽可能多地匹配字符。这种匹配方式通常用于没有明确指定匹配次数的场景，如使用*（匹配0次或多次）、+（匹配1次或多次）、?（匹配0次或1次，但通常与贪婪性无关，因为它本身只涉及是否存在）以及大括号{}指定重复次数的范围时（如{m,n}，其中n是可选的，表示至少匹配m次，如果指定了n，则最多匹配n次）。

        要避免贪婪匹配，我们可以使用非贪婪（或非贪婪、懒惰）匹配模式。在正则表达式中，通过在量词（如*、+、?、{m,n}）后面加上?来实现非贪婪匹配。这样，匹配引擎就会在满足条件的情况下尽可能少地匹配字符。

注意事项

• 贪婪匹配和非贪婪匹配的选择取决于你的具体需求。在爬虫和正则表达式中，通常建议使用非贪婪匹配来避免匹配过多的内容。
• 在处理复杂的HTML或XML文档时，建议使用专门的HTML/XML解析器（如BeautifulSoup、lxml等），因为正则表达式可能无法准确处理嵌套标签和复杂的文档结构。
• 在使用正则表达式时，请确保对正则表达式有足够的了解，以避免出现意外的匹配结果。

import restring = '<h1 class="test">HelloWorld</h1>'# pattern = re.compile(r'<.\d\sclass=.*>')
pattern = re.compile(r'<.\d\sclass=.*?>')
# 匹配到最近的
print(pattern.search(string).group())