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,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:
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。
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。