Python中怎么利用正則抓取數據

# Python中怎么利用正則抓取數據

正則表達式（Regular Expression）是處理字符串的強大工具，Python通過內置的`re`模塊提供了完整的正則支持。本文將詳細介紹如何利用Python正則表達式高效抓取結構化數據。

## 一、正則表達式基礎

### 1. 基本元字符
- `.` 匹配任意字符（除換行符）
- `\d` 匹配數字 → 等價于[0-9]
- `\w` 匹配字母數字下劃線 → 等價于[A-Za-z0-9_]
- `\s` 匹配空白字符（空格、制表符等）
- `^` 匹配字符串開頭
- `$` 匹配字符串結尾

### 2. 量詞符號
- `*` 0次或多次
- `+` 1次或多次
- `?` 0次或1次
- `{n}` 精確n次
- `{n,}` 至少n次
- `{n,m}` n到m次

## 二、Python re模塊核心方法

### 1. re.match()
從字符串起始位置匹配模式：
```python
import re
result = re.match(r'\d+', '123abc')
if result:
    print(result.group())  # 輸出: 123

2. re.search()

掃描整個字符串返回第一個匹配：

result = re.search(r'\d+', 'abc123def')
print(result.group())  # 輸出: 123

3. re.findall()

返回所有匹配結果的列表：

results = re.findall(r'\d+', 'a1b22c333')
print(results)  # 輸出: ['1', '22', '333']

4. re.finditer()

返回匹配結果的迭代器（適合大文本）：

for match in re.finditer(r'\d+', 'a1b22c333'):
    print(match.group(), match.span())

三、實戰數據抓取案例

案例1：提取網頁中的URL

import re

html = '<a href="https://example.com">Link1</a><a href="/about">Link2</a>'
pattern = r'href=["\'](https?://[^"\']+|/[^"\']*)["\']'
urls = re.findall(pattern, html)
print(urls)  # 輸出: ['https://example.com', '/about']

案例2：抓取郵箱地址

text = "聯系郵箱：service@domain.com，備用郵箱：backup@domain.org"
emails = re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', text)
print(emails)  # 輸出: ['service@domain.com', 'backup@domain.org']

案例3：提取商品價格

text = "商品A價格￥299.00，商品B特價$45.99"
prices = re.findall(r'[￥$]\d+\.?\d*', text)
print(prices)  # 輸出: ['￥299.00', '$45.99']

四、高級技巧與優化

1. 非貪婪匹配

默認量詞是貪婪模式，添加?轉為非貪婪：

html = '<div>內容1</div><div>內容2</div>'
re.findall(r'<div>(.*?)</div>', html)  # 輸出: ['內容1', '內容2']

2. 分組捕獲

使用()提取特定部分：

log = "[2023-08-01] ERROR: File not found"
match = re.search(r'\[(.*?)\] (ERROR|WARN): (.*)', log)
print(match.groups())  # 輸出: ('2023-08-01', 'ERROR', 'File not found')

3. 預編譯正則

重復使用時應預編譯：

pattern = re.compile(r'\d{4}-\d{2}-\d{2}')
dates = pattern.findall('日期：2023-08-01，2023-08-02')

五、常見問題解決方案

1. 處理多行文本

使用re.DOTALL或re.S標志：

text = """<div>
多行內容
</div>"""
re.findall(r'<div>(.*)</div>', text, re.DOTALL)

2. 忽略大小寫

使用re.IGNORECASE或re.I：

re.findall(r'python', 'Python PYTHON', re.I)  # 輸出: ['Python', 'PYTHON']

3. Unicode字符匹配

使用\u或re.UNICODE：

re.findall(r'[\u4e00-\u9fa5]+', '中文English混合')  # 輸出: ['中文']

六、性能優化建議

1. 盡量使用具體字符集代替.（如\d代替[0-9]）
2. 避免嵌套量詞如(.*)*
3. 優先使用re.finditer()處理大文本
4. 復雜正則拆分為多個簡單正則

七、正則測試工具推薦

1. Regex101 - 在線測試和調試
2. RegExr - 可視化正則學習工具
3. PyCharm內置正則測試器

注意：對于復雜HTML解析，建議結合BeautifulSoup等專業庫使用，正則更適合處理有固定模式的文本數據。

通過掌握這些技巧，你可以高效地從各種文本數據中提取所需信息。正則表達式需要實踐積累，建議保存常用模式片段作為自己的”正則庫”。 “`