笔记，爬虫（2）

参考：http://www.yiibai.com/python/python3-webbug-series2.html

 

队列：

在爬虫程序中, 用到了广度优先搜索(BFS)算法. 这个算法用到的数据结构就是队列.

Python的List功能已经足够完成队列的功能, 可以用 append() 来向队尾添加元素, 可以用类似数组的方式来获取队首元素, 可以用 pop(0) 来弹出队首元素. 但是List用来完成队列功能其实是低效率的, 因为List在队首使用 pop(0) 和 insert() 都是效率比较低的, Python官方建议使用collection.deque来高效的完成队列任务.

from collections import deque
queue = deque(["Eric", "John", "Michael"])
print(queue)
queue.append("Terry")           # Terry 入队
print(queue)
queue.append("Graham")          # Graham 入队
print(queue)
print(queue.popleft())                 # 队首元素出队
#输出: 'Eric'
print(queue.popleft())                 # 队首元素出队，left就是离开，然后产生变动，会对队列造成后续影响
#输出: 'John'
print(queue)                           # 队列中剩下的元素
#输出: deque(['Michael', 'Terry', 'Graham'])

结果：

 

集合：

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提供了set这种数据结构. set是一种无序的, 不包含重复元素的结构. 一般用来测试是否已经包含了某元素, 或者用来对众多元素们去重. 与数学中的集合论同样, 他支持的运算有交, 并, 差, 对称差.

创建一个set可以用 set() 函数或者花括号 {} . 但是创建一个空集是不能使用一个花括号的, 只能用 set() 函数. 因为一个空的花括号创建的是一个字典数据结构. 以下同样是Python官网提供的示例.

basket = {'apple', 'orange', 'apple', 'pear', 'orange', 'banana'}
print(basket)  # 这里演示的是去重功能，或者叫完全忽视重复的，len输出只有4种（非“个”）
print(len(basket))
print('orange' in basket)  # 快速判断元素是否在集合内

print('crabgrass' in basket)


# 下面展示两个集合间的运算.

a = set('abracadabra')
b = set('alacazam')#与c={'a','b','r','a','c','a','d','a','b','r','a'} 效果一致
print(a)
print(b)
print(a - b)  # 集合a中包含元素

print(a | b)  # 集合a或b中包含的所有元素

print(a & b)  # 集合a和b中都包含了的元素

print(a ^ b)  # 不同时包含于a和b的元素

结果：

 

正则表达式，参考：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

在爬虫程序中, 爬回来的数据是一个字符串, 字符串的内容是页面的html代码. 我们要从字符串中, 提取出页面提到过的所有url. 这就要求爬虫程序要有简单的字符串处理能力, 而正则表达式可以很轻松的完成这一任务.

1.1. 简单介绍

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。

下图展示了使用正则表达式进行匹配的流程： 
re_simple

正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。（表达式与字符串的匹配对应）

 

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。

1.3. 反斜杠的困扰

与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\"表示。同样，匹配一个数字的"\\d"可以写成r"\d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

print(r'je\'s \\kid')
print('je\'s \\nkid') #反斜杠的转义后输出
print('je\'s \kid')
print(r'je\'s \\nkid')  #r是强制，即强制以字符的意思呈现，自行体会吧

结果：

 

1.4. 匹配模式

正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。

2. re模块

2.1. 开始使用re

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

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 \w \W \b \B \s \S 取决于当前区域设定
  • U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 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。以下两个正则表达式是等价的：
import re
a = re.compile(r"""\d +  # the integral part
                   \.    # the decimal point
                   \d *  # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")
print(a,'\n',b)#输出隐含的字符，比如\n和\，换行、转义这种执行代码（我这样理解的，不只合适否）

结果：

re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍：

# encoding: UTF-8
import re
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello')# r是强制的意思，在没有特殊字符的情况下，加不加都没有区别
print(pattern)

# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello world!')

if match:
    # 使用Match获得分组信息
    print(match.group())
else: print("nnoo")

m = re.match(r'hello', 'hello world!')  #与上面等效，一步到位
print(m.group())

结果：

 

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

2.2. 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：

  1. string: 匹配时使用的文本。
  2. re: 匹配时使用的Pattern对象。
  3. 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。
  4. 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。
  5. 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。
  6. 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：

    1. 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。
    2. 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。
    3. 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。
    4. 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。
    5. 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。
    6. span([group]): 
      返回(start(group), end(group))。
    7. 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<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>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\g<1>0。
import re

m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')

print("m.string:", m.string)
print("m.re:", m.re)
print("m.pos:", m.pos)
print("m.endpos:", m.endpos)
print("m.lastindex:", m.lastindex)
print("m.lastgroup:", m.lastgroup)
print("m.group(1,2):", m.group(1, 2))
print("m.groups():", m.groups())
print("m.groupdict():", m.groupdict())
print("m.start(2):", m.start(2))
print("m.end(2):", m.end(2))
print("m.span(2):", m.span(2))
print(r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3'))

结果：

 

2.3. 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：

  1. pattern: 编译时用的表达式字符串。
  2. flags: 编译时用的匹配模式。数字形式。
  3. groups: 表达式中分组的数量。
  4. 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。
import re

p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
print("p.pattern:", p.pattern)
print("p.flags:", p.flags)
print("p.groups:", p.groups)
print("p.groupindex:", p.groupindex)

结果：

实例方法[ | re模块方法]：

    1. 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'$'。 
      示例参见2.1小节。
    2. 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后重新尝试匹配；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。 
    3. 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。 
import re

p = re.compile(r'\d+')#以数字为标识符进行分割
print(p.split('one0two0thre0efour'))
print(p.split('one0two0three0four0'))

结果：

    1. 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。
import re

p = re.compile(r'\D+') #编译原则，以非数字(\D)为find对象，匹配前一个字符1次或无限次（+），其余字符为分隔标识
print(p.findall('one1two2three3four4'))

pp=re.compile(r'\d*')
print(pp.findall('one1two2three3f3our'))

ppp=re.compile(r'\D*')
print(ppp.findall('one1two2three3f3our'))

pppp=re.compile(r'\D?')#关于* ？ +的区别慢慢体会
print(pppp.findall('one1two2three3f3our'))

结果：

    1. 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。 
# encoding: UTF-8
import re

p = re.compile(r'\d+')
pp = re.compile(r'\D+')
for m in p.finditer('one1two2three3four4'):
    print( m.group())
# r是强制的意思，在没有特殊字符的情况下，加不加都没有区别
for m in pp.finditer(r'one1two2th,ree3fo\ur4'): 
print( m.group())
# 如果不加强制r，会报错，#SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 17-18: truncated \uXXXX escape

结果：

    1. 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<id>、\g<name>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。
import re

p = re.compile(r'(\w+) (\w+) (\w+)')
s = 'i say la, hello me world! you know nothing snow.'

#print(p.sub(r"\1 \3 \2 \4", s)) 编译里只规定了3个单词字符，所以会报错
print(p.sub(r"\1 \3 \2", s)) # 对应了才能实现——一切以compile编译的法则为准，对应对象只能少不能多

def func(m):
    return m.group(1).title() + ' ' + m.group(1).title()+ ' ' + m.group(3).title()

print(p.sub(func, s))

结果：（想说的都在代码里，）

    1. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 
      返回tuple数量，元组 (sub(repl, string[, count]), 替换次数)。

 

import re

p = re.compile(r'(\w+) (\w+) (\w+)')
s = 'i say you, hello world and me!kid kiss kill'

print(p.subn(r'\2 \3 ', s))

def func(m):
    return m.group(2).title() + ' ' + m.group(1).title() + ' ' + m.group(1).title()

print(p.subn(func, s))#输出的次数表示参与替换的字符串的个数

 

结果：

 








            

            
posted @ 
2016-09-13 15:46 
CC_python 
阅读(128) 
评论(0) 
 
收藏 
举报