简易数据分析 17 | Web Scraper 高级用法——利用正则表达式筛选文本信息
简易数据分析 17 | Web Scraper 高级用法——利用正则表达式筛选文本信息
学习了这么多课，我想大家已经发现了，web scraper 主要是用来爬取文本信息的。
在爬取的过程中，我们经常会遇到一个问题：网页上的数据比较脏，我们只需要里面的一部分信息。比如说要抓取 电影的评价人数，网页中抓到的原始数据是 1926853人评价，但是我们期望只抓取数字，把 人评价 这三个汉字丢掉。
这种类似的操作在 Excel 可以利用公式等工具处理，其实在 web scraper 里，也有一个利器，那就是正则表达式。
正则表达式是一个非常强大工具，它主要是用来处理文本数据的，常用来匹配、提取和替换文本，在计算机程序中有非常广泛的应用。
web scraper 中也内置了正则表达式工具，但只提供了提取的功能。虽然功能有所残缺，对于 web scraper 使用者来说完全够用了，毕竟 web scraper 的定位就是不会写代码的小白，我们只需要学习最基础的知识就可以了。
1.正则表达式初尝
我们先用 web scraper 初步尝试一下正则表达式。这里还是用豆瓣电影做例子，我们先选择电影的评价人数，预览图是这个样子的：
Text 选择器有个 Regex 的输入框，这个就是输入正则表达式的地方。我们输入 [0-9]，然后再点击预览，是这个样子的：
这时候你应该就明白了， [0-9] 就是匹配一个数字的意思。如果我们要匹配多个数字呢？很简单，后面再加个「 + 」号就好。把 [0-9]+ 输入进去，预览一下：
很明显，所有的数字都匹配出来了。
2.正则表达式字符簇
上面讲了用 [0-9] 匹配数字，我们想一下日常用到的文本信息，不外乎这几种：数字、小写字母、大写字母，汉字，特殊字符（比如说各种计量单位、下划线回车等符号） 。
正则表达式里都有匹配这些字符的方法，下面我用一个表格列举出来：
字符簇 | 匹配 |
|---|---|
[0-9] | 匹配所有的数字 |
[1-9] | 匹配 1 到 9 |
[a-z] | 匹配所有的小写字母 |
[A-Z] | 匹配所有的大写字母 |
sky | 匹配 sky 这个单词，其余文本同理 |
天空 | 匹配 天空 这个词，其余文本同理 |
[\u4e00-\u9fa5] | 匹配所有的汉字（绝大部分情况下可以匹配成功） |
[ \f\r\t\n] | 匹配所有的空白字符 |
上面列举了一些常用的，其实这些规则可以组合起来，比如说 [a-z] 和 [A-Z] 组合起来，就是 [a-zA-Z]，表示匹配所有的字母。这些组合也有一些简写，我这里也列举一些：
字符簇 | 匹配 |
|---|---|
\w | 匹配字母、数字、下划线。等价于 [A-Za-z0-9_] |
\W | 匹配非字母、数字、下划线 |
\s | 匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v] |
\S | 匹配任何非空白字符 |
基本上掌握以上内容就能匹配绝大多数字符了，这里我推荐一个正则练习网站：
http://c.runoob.com/front-end/854
按照下图所示就可以练习正则匹配了：
结合前面的例子，我们知道这些规则只能匹配一个字符，如何匹配多个字符？这就要学习正则表达式限定符。
3.正则表达式限定符
我们已经知道在 [0-9] 后面加个加号「+」就可以匹配多个字符了，其实还有很多限定符，详情可见下图表格：
限定符 | 匹配解释 | 原始数据 | 例子 |
|---|---|---|---|
{n} | n 是一个非负整数。匹配确定的 n 次 | 100001 | 10{2}，表示 0 这个字符匹配 2 次，匹配结果是 100 |
{n,m} | m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次 | 100001 | 10{2,3}，表示 0 这个字符最少匹配 2 次且最多匹配 3 次，匹配结果是 1000 |
{n,} | n 是一个非负整数。至少匹配 n 次 | 100001 | 10{2,}，表示 0 这个字符至少匹配 2 次，匹配结果是 10000 |
+ | 匹配前面的子表达式一次或多次，等价于 {1,} | z，zo，zoo | zo+ 能匹配「zo」以及「zoo」，但不能匹配「z」 |
* | 匹配前面的子表达式零次或多次，等价于 {0,} | z，zo，zoo | zo* 能匹配「z」、「zo」以及「zoo」 |
? | 匹配前面的子表达式零次或一次，等价于 {0,1} | z，zo，zoo | zo? 能匹配「z」以及「zo」，但不能匹配「zoo」 |
4.实战练习
学到这里，正则表达式可以算是入门了，我们可以上手几个真实的例子练习一下：
1.提取价格标签中的数字
假设 web scraper 爬到的文本信息是 价格：12.34 ¥，我们要把 12.34 提取出来。这个这个文本里有 5 类数据：
- 汉字：
价格 - 标点符号：
： - 数字
12和34 - 小数点：
. - 特殊字符：
¥
首先我们匹配小数点前的数字 12，因为价格什么数字可以能出现，而且位数一般都大于 1 位，所以我们用 [0-9]+ 来匹配；
考虑到小数点「.」在正则表达式里有特殊含义，我们需要小数点前面加反斜杠 \ 表示转义，用 \. 匹配；
小数部分同理，也用 [0-9]+ 匹配。
把这三部分组合在一起，即「[0-9]+\.[0-9]+」，这个表达式可以用一个图来表示：
上面就是我们写出的匹配正则，可以放在刚刚推荐的网站上验证一下：
2.匹配日期
假设 web scraper 爬到的文本信息是 日期：2020-02-02[星期日]，我们要把 2020-02-02[星期日] 提取出来。我们把这个文本分解一下：
- 描述信息
日期：不匹配，需要丢弃掉 - 年，一般是 4 位，可以用
[0-9]{4}匹配 - 月，一般是 2 位，可以用
[0-9]{2}匹配 - 日，一般是 2 位，可以用
[0-9]{2}匹配 - 星期，多个汉字，可以用
[\u4e00-\u9fa5]+匹配 - 分隔符
-，可以直接用「-」匹配 - 分隔符
[和]，为了避免和正则表达式里的[]撞车，我们可以在前面加反斜杠\表示转义，用\[和\]匹配
把上面的分析结果综合一下，就是
[0-9]{4}-[0-9]{2}-[0-9]{2}\[[\u4e00-\u9fa5]+\]
看上去还是挺复杂的，但是如果按上面的分析步骤一步一步来，你会发现匹配规则其实还是比较清晰的。
同样我们可以用一张图来表示上面的正则表达式：
5.进阶学习
本篇教程只是正则的入门学习，很多知识点还没有讲到。如果你对此感兴趣，可以去下面几个网站学习：
1.菜鸟教程：正则表达式
https://www.runoob.com/regexp/regexp-tutorial.html
继续深入学习的一个网站，不过想成为高手，还得多加练习
2.正则表达式在线测试
http://c.runoob.com/front-end/854
可以测试自己写的正则是否正确的一个网站，而且网页末有常用的正则表达式，很多可以直接复制黏贴来用。
3.Regulex 和 RegExr
https://regexr.com/
https://jex.im/regulex/
可以可视化的显示自己的正则匹配规则，教程中我就用了 regulex 生成正则匹配规则图。
6.温馨提示（踩坑预警）
我看了 web scraper 的源代码，它的正则表达式支持不完全，目前只支持提取文字的功能：
目前欠缺的功能有：
- 全局匹配不支持
- 忽略大小写不支持
- 不支持分组提取，默认返回第一个匹配值
- 不支持文本替换
如果有以上的需求，可能要借助 Excel 等工具来支持。