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

 这是简易数据分析系列的**第 17 篇**文章。 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、大些字母，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。 我们举个例子，用正则表达式匹配 `100000001`（表示一个亿这个小目标加一块钱，中间有 7 个 0）。 | 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](https://jex.im/regulex/#!flags=&re=^(a|b)*%3F%24) 和 [RegExr](https://regexr.com/)** 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：  他欠缺的功能有： - 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。 ## 7.联系我 因为文章发在各大平台上，账号较多不能及时回复评论和私信，有问题可关注公众号 ——「卤代烃实验室」，（或 wx 搜索 sky-chx）关注上车防失联。