享学课堂浅谈Python3爬虫之入门和正则表达式

python3入门系列基本上也对python入了门，从这章起就开始介绍下python的爬虫教程，拿出来给大家分享；爬虫说的简单，就是去抓取网路的数据进行分析处理；这章主要入门，了解几个爬虫的小测试，以及对爬虫用到的工具介绍，比如集合，队列，正则表达式.

一、用python抓取指定页面：

代码如下：

查找可变网址：

二、python正则表达式介绍：

1.队列介绍:在爬虫的程序中用到了广度优先级算法，该算法用到了数据结构，当然你用list也可以实现队列，但是效率不高。现在在此处介绍下：

在容器中有队列：collection.deque

#队列简单测试：fromcollectionsimportdequequeue=deque(["peace","rong","sisi"])queue.append("nick")queue.append("pishi")print(queue.popleft())print(queue.popleft())print(queue)

2.集合介绍：在爬虫程序中,为了不重复爬那些已经爬过的网站，我们需要把爬过的页面的url放进集合中，在每一次要爬某一个url之前，先看看集合里面是否已经存在。如果已经存在，我们就跳过这个url；如果不存在，我们先把url放入集合中，然后再去爬这个页面。

Python还包含了一个数据类型——set(集合)。集合是一个无序不重复元素的集。基本功能包括关系测试和消除重复元素。集合对象还支持union(联合),intersection(交),difference(差)和sysmmetricdifference(对称差集)等数学运算。

大括号或set()函数可以用来创建集合。注意：想要创建空集合，你必须使用set()而不是{}。{}用于创建空字典；

3.集合的创建演示如下：

a={"peace","peace","rong","rong","nick"}print(a)"peace"inab=set(["peace","peace","rong","rong"])print(b)#演示联合print(a|b)#演示交print(a&b)#演示差print(a-b)#对称差集print(a^b)#输出：{'peace','rong','nick'}{'peace','rong'}{'peace','rong','nick'}{'peace','rong'}{'nick'}{'nick'}

4.正则表达式：在爬虫时收集回来的一般是字符流，我们要从中挑选出url就要求有简单的字符串处理能力，而用正则表达式可以轻松的完成这一任务；正则表达式的步骤：

正则表达式的编译

正则表达式匹配字符串

结果的处理

下图列出了正则表达式的语法：

在python中使用正则表达式，需要引入re模块；下面介绍下该模块中的一些方法；

1.compile和match：re模块中compile用于生成pattern的对象，再通过调用pattern实例的match方法处理文本最终获得match实例；通过使用match获得信息；

importre#将正则表达式编译成Pattern对象pattern=re.compile(r'rlovep')#使用Pattern匹配文本，获得匹配结果，无法匹配时将返回Nonem=pattern.match('rlovep.com')ifm:#使用Match获得分组信息print(m.group())###输出####rlovep

re.compile(strPattern[,flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。第二个参数flag是匹配模式，取值可以使用按位或运算符’|’表示同时生效，比如re.I|re.M。另外，你也可以在regex字符串中指定模式，比如re.compile(‘pattern’,re.I|re.M)与re.compile(‘(?im)pattern’)是等价的。

可选值有：

re.I(re.IGNORECASE):忽略大小写（括号内是完整写法，下同）

M(MULTILINE):多行模式，改变’^’和’$’的行为（参见上图）

S(DOTALL):点任意匹配模式，改变’.’的行为

L(LOCALE):使预定字符类wWbBsS取决于当前区域设定

U(UNICODE):使预定字符类wWbBsSdD取决于unicode定义的字符属性

X(VERBOSE):详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

2、Match：Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：string:匹配时使用的文本。re:匹配时使用的Pattern对象。pos:文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。endpos:文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。lastindex:最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。lastgroup:最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。方法：group([group1,…]):获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。groups([default]):以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。groupdict([default]):返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。start([group]):返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。end([group]):返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。span([group]):返回(start(group),end(group))。expand(template):将匹配到的分组代入template中然后返回。template中可以使用id或g、g引用分组，但不能使用编号0。id与g是等价的；但10将被认为是第10个分组，如果你想表达1之后是字符'0'，只能使用g0。

Pattern:

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：pattern:编译时用的表达式字符串。flags:编译时用的匹配模式。数字形式。groups:表达式中分组的数量。groupindex:以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。实例方法[|re模块方法]：match(string[,pos[,endpos]])|re.match(pattern,string[,flags]):这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。search(string[,pos[,endpos]])|re.search(pattern,string[,flags]):这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。split(string[,maxsplit])|re.split(pattern,string[,maxsplit]):按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。findall(string[,pos[,endpos]])|re.findall(pattern,string[,flags]):搜索string，以列表形式返回全部能匹配的子串。finditer(string[,pos[,endpos]])|re.finditer(pattern,string[,flags]):搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。sub(repl,string[,count])|re.sub(pattern,repl,string[,count]):使用repl替换string中每一个匹配的子串后返回替换后的字符串。当repl是一个字符串时，可以使用id或g、g引用分组，但不能使用编号0。当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。count用于指定最多替换次数，不指定时全部替换。subn(repl,string[,count])|re.sub(pattern,repl,string[,count]):返回(sub(repl,string[,count]),替换次数)。

3.re.match(pattern,string,flags=0)

函数参数说明：

匹配成功re.match方法返回一个匹配的对象，否则返回None。

我们可以使用group(num)或groups()匹配对象函数来获取匹配表达式。

演示如下：

实例二：使用group

importreline="Thisismyblog"#匹配含有is的字符串matchObj=re.match(r'(.*)is(.*?).*',line,re.M|re.I)#使用了组输出：当group不带参数是将整个匹配成功的输出#当带参数为1时匹配的是最外层左边包括的第一个括号，一次类推；ifmatchObj:print("matchObj.group():",matchObj.group())#匹配整个print("matchObj.group(1):",matchObj.group(1))#匹配的第一个括号print("matchObj.group(2):",matchObj.group(2))#匹配的第二个括号else:print("Nomatch!!")#输出：matchObj.group():ThisismyblogmatchObj.group(1):ThismatchObj.group(2):my

4.re.search方法

re.search扫描整个字符串并返回第一个成功的匹配。

函数语法：

re.search(pattern,string,flags=0)

函数参数说明：

匹配成功re.search方法返回一个匹配的对象，否则返回None。