本文中介绍的是主要是 3 个知识点：

• 正则表达式的相关知识
• Python的中 re 模块，主要是用来处理正则表达式
• 一个利用 re 模块通过正则表达式来进行网页数据的爬取和存储

使用的系统 Python 版本和其他环境分别如下：

• npython 3.7.5
• MacOS
• jupyter notebook
• re   # re 模块
• requests 2.23.0  # 发送请求

1、正则表达式

1.1 正则表达式及作用

正则表达式的英文是 regular expression，通常简写为 regex、regexp 或者RE，属于计算机领域的一个概念。

正则表达式的主要作用是被用来进行文本的检索、替换或者是从一个串中提取出符合我们指定条件的子串，它描述了一种字符串匹配的模式 pattern 。

目前正则表达式已经被集成到了各种文本编辑器和文本处理工具中。

1.2 应用场景

• 验证：比如在网站中进行表单提交时，进行用户名及密码的验证

• 查找：从给定的文本信息中进行快速高效地查找与分析字符串

• 替换：将我们指定格式的文本进行查找，然后将指定的内容进行替换

1.3 网站

在这里介绍几个用来学习和测试正则表达式的网站：

1. 菜鸟教程-正则表达式

https://www.runoob.com/regexp/regexp-tutorial.html

2. 正则表达式在线测试工具

https://tool.oschina.net/regex/

3. GoRegex.cn

https://goregex.cn/

4. 官方re模块学习

https://docs.python.org/zh-cn/3/library/re.html

5. 正则表达式30分钟入门教程

https://deerchao.cn/tutorials/regex/regex.htm#mission

1.4 常用字符功能

先介绍常用正则表达式中几种特殊字符的功能：

字符类

数量限定符

位置相关

特殊字符

2、re 模块

2.1 re 模块简介

在 Python 中主要是利用 re 模块进行正则表达式的处理，涉及到 4 个常用的方法：

• re.match()
• re.search()
• re.findall()
• re.sub()
• re.split()

5 个方法的基本使用语法是：

import re   # 使用之前先进行导入re模块
re.match(pattern, string, flags)   # match方法为例

上面参数的说明：

2.2 标志位 flags

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志，如 re.I | re.M 被同时设置成 I 和 M 标志：

2.3 match

从指定字符串的开始位置进行匹配。开始位置匹配成功则继续匹配，否则输出None。

该方法的结果是返回一个正则匹配对象，通过两个方法获取相关内容：

• 通过 group() 来获取内容
• 通过 span() 来获取范围：匹配到字符的开始和结束的索引位置

开始位置没有匹配成功，返回 None：

存在换行的字符串内容，使用 re.S：

group() 方法获取内容的时候，索引符号从 1 开始：

2.4 search

re.search 方法扫描整个字符串，返回的是第一个成功匹配的字符串，否则就返回 None

group(N) 中的参数N不能超过正则表达式中括号的个数，若超过则报错：

2.5 findall

re.findall() 是扫描整个字符串，通过列表形式返回所有符合的字符串

注意：re.search 是返回第一个符合要求的字符

如果存在多个 .*? ，则返回的内容中使用列表中嵌套元组的形式：

2.6 sub

re.sub 方法是用来替换字符串中的某些内容

• 直接替换
• 通过函数替换

指定具体的替换内容：将空格替换成短横线

略微复杂的替换

2.7 split

用法

主要适用于将字符串进行分割：

re.split(pattern, string,maxsplit=0,flags=0)

用 pattern 分开 string 。如果在 pattern 中捕获到括号，那么所有的组里的文字也会包含在列表里。

如果 maxsplit 非零， 最多进行 maxsplit 次分隔， 剩下的字符全部返回到列表的最后一个元素。

如何理解是否保留匹配项

第二种写法就是保留了匹配项

2.8 贪婪模式与非贪婪模式

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为。

贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配；而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配

我们在正则表达式中经常会使用 3 个符号：

• 点 . ：表示匹配的是除去换行符之外的任意字符
• 问号 ? ：表示匹配 0 个或者 1 个
• 星号 *：表示匹配 0 个或者任意个字符

贪婪模式与非贪婪模式:

• .*?  非贪婪模式
• .*   贪婪模式

看一个例子来比较 re 模块中两种匹配方式的不同：

1. 在上面的非贪婪模式中，使用了问号 ？，当匹配到 aaaacb 已经达到了要求，停止第一次匹配；接下来再开始匹配到 ab ；再匹配到 adceb ；所以存在多个匹配结果
2. 在贪婪模式中，程序会找到最长的那个符合要求的字符串

关于正则表达式中贪婪和非贪婪模式的详解，请参考文章 https://www.cnblogs.com/520yang/articles/7473596.html，写的非常清楚。

3、基于正则的爬虫

字符串是在我们编程中涉及最多的一种数据结构，对字符串进行操作的需求几乎无处不在。

比如我们编写好了爬虫程序，在得到了网页的源码之后，怎么从茫茫数据中提取出来我们指定的数据？这个通过正则表达式提取就是其中的方法之一。

接下来讲解的通过 re 模块来爬取某个网站的内容。

3.1 网页结构

分析的网页结构和源码的相关对应信息：

1. 在每个网页中有 32 篇小说

2. 这 32 篇小说的信息存在于 32 个

   对中：

3. 每篇信息存在一个 li 中，比如第一篇：

4. 源码和网页中的对应位置

3.2 网页地址

第一页的地址是  http://www.quanshuwang.com/list/1_1.html  ，第二页是 http://www.quanshuwang.com/list/1_2.html  ，网页地址的规律

for i in range(1, 1156):  # 总共1155页
  url = "http://www.quanshuwang.com/list/1_{}.html".format(i)

3.3 爬取信息

导入库爬虫中需要的库

import re  # 解析数据
import requests # 发送请求
import csv  # 存入数据
import pandas as pd

爬取第一页

爬取第一页的内容进行测试

url = "http://www.quanshuwang.com/list/1_1.html"  # 第一页
headers = {"User-Agent": "自己的请求头"}
response = requests.get(url=url, headers=headers)   # 得到响应
res = response.content.decode('gbk', 'ignore')  # 获取源码，实际编码是gbk
res  

下面进行 3 个字段信息的爬取：

标题title

title 是 li 标签对中唯一的，所以可以直接获取双引号中的内容，最后检验下长度刚好是 32 :

作者 author

author 是源码中唯一的内容，直接通过 author 后面的内容进行获取，检验长度也是 32

在 author 和 em 标签中进行限制来获取内容

简介 substract

对简介的提取分为两个部分：正文部分+更多。因为有些小说没有简介，只有更多 2 个字，所以需要特殊下

1. 通过元组的形式单独提取出两个信息

2. 将两个信息进行合并，放到一个大列表中，同时检验长度仍然是 32

3.4 完整代码

下面是完整的源码，包含：

• 访问链接获取源码数据
• 利用 re 模块解析数据
• 利用 csv 模块保存数据
• 读取数据

作者简介

Peter，硕士毕业僧一枚，从电子专业自学Python入门数据行业，擅长数据分析及可视化。喜欢数据，坚持跑步，热爱阅读，乐观生活。个人格言：不浮于世，不负于己

个人站点：www.renpeter.cn，欢迎常来小屋逛逛