spark 非结构化处理 python 非结构化数据

「第十三章」 非结构化数据提取

在爬取数据的过程中，需要对页面解析和数据提取。

一般来讲对我们而言，需要抓取的是某个网站或者某个应用的内容，提取有用的价值。内容一般分为两部分，非结构化的数据和结构化的数据。

非结构化数据：先有数据，再有结构。

结构化数据：先有结构、再有数据。

不同类型的数据，我们需要采用不同的方式来处理。

13.1 正则表达式

13.1.1 为什么要学正则表达式

实际上爬虫一共就四个主要步骤：

1. 明确目标 (要知道你准备在哪个范围或者网站去搜索)

2. 爬 (将所有的网站的内容全部爬下来)

3. 取 (去掉对我们没用处的数据)

4. 处理数据(按照我们想要的方式存储和使用)

之前的案例里实际上省略了第3步，也就是"取"的步骤。因为我们down下了的数据是全部的网页，这些数据很庞大并且很混乱，大部分的东西使我们不关心的，因此我们需要将之按我们的需要过滤和匹配出来。

那么对于文本的过滤或者规则的匹配，最强大的就是正则表达式，是Python爬虫世界里必不可少的神兵利器。

13.1.2 什么是正则表达式

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

1. 给定的字符串是否符合正则表达式的过滤逻辑(“匹配”)；

2. 通过正则表达式，从文本字符串中获取我们想要的特定部分(“过滤”)。

13.1.3正则表达式匹配规则

1. 字符匹配规则。

2. 预定义字符集(可以写在字符集[…]中)。

3. 数词量(用在字符或者(...)之后)

4.边界匹配。

13.1.4 Python3下正则表达式的模块的加载

在 Python 中，我们可以使用内置的 re 模块来使用正则表达式。

import re

有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r 前缀。

例子：

import re

#例子一

str1='nihaoinghai'

print(str1)

#例子二

str2=r'nihaoinghai'

print(str2)

运行结果：

nihao inghai

nihaoinghai

13.1.5 compile 函数

compile 函数用于编译正则表达式，生成一个正则表达式( Pattern )对象，供 match() 和 search() 这两个函数使用。

语法格式为：

re.compile(pattern[, flags])

参数：

pattern : 一个字符串形式的正则表达式

flags 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：

re.I 忽略大小写

re.L 表示特殊字符集 w, W, b, B, s, S 依赖于当前环境

re.M 多行模式

re.S 即为' . '并且包括换行符在内的任意字符(' . '不包括换行符)

re.U 表示特殊字符集 w, W, b, B, d, D, s, S 依赖于 Unicode 字符属性数据库

re.X 为了增加可读性，忽略空格和' # '后面的注释

例子：

import re

pattern = re.compile(r'd+') # 用于匹配至少一个数字

m = pattern.match('one12twothree34four') # 查找头部，没有匹配

print(m)

m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配

print(m)

m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配

print(m)

运行结果：

None

None

13.1.6 正则表达式对象

re.compile() 返回 RegexObject 对象。

re.MatchObject

group() 返回被 RE 匹配的字符串。

start() 返回匹配开始的位置。

end() 返回匹配结束的位置。

span() 返回一个元组包含匹配 (开始,结束) 的位置。

13.1.7 Python3 re模块的2种使用方式

第一种方式：使用compile 函数

1.使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象

2.通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。

3.最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

import re

# 将正则表达式编译成 Pattern 对象。

pattern = re.compile(r'd+')

在上面，我们已将一个正则表达式编译成 Pattern 对象，接下来，我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。

Pattern 对象的一些常用方法主要有：

match 方法：从起始位置开始查找，一次匹配

search 方法：从任何位置开始查找，一次匹配

findall 方法：全部匹配，返回列表

finditer 方法：全部匹配，返回迭代器

split 方法：分割字符串，返回列表

sub 方法：替换

第二种方式：直接使用re. search()/re. findall ()方式。

例子：

import re

old_url = 'http://www.jikexueyuan.com/course/android/?pageNum=2'

total_page =20

html = """

爬虫测试

• 这是第一条
• 这是第二条
• 这是第三条

"""

# f.close()

# #任务一：爬取网页标题

#

# title = re.search('

(.*?)',html,re.S).group(1)

# print(title)

#

# #任务二：爬取链接

# links=re.findall('href="(.*?)">',html)

# print(links)

# #任务三：爬取部分文字内容

# u_text =re.findall('

• (.*?)

',html,re.S)[0]

# texts =re.findall('">(.*?)',u_text,re.S)

# for every_text in texts:

# print(texts)

#任务四：sub实现翻页

for i in range(2,total_page+1):

new_link =re.sub('pageNum=d','pageNum=%d'%i,old_url,re.S)

print(new_link)

13.1.8 re模块之match 方法

match 方法用于查找字符串的头部(也可以指定起始位置)，它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。它的一般使用形式如下：

match(string,begin,end)

其中，string 是待匹配的字符串，begin 和end 是可选参数，指定字符串的起始和终点位置，当你指定begin 和end 时，match 方法会根据指定的范围去查询，如果不指定begin 和end 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

综合例子：

import re

#例子一

str1='ting123hai456'

pattern = re.compile(r'd+') # 用于匹配至少一个数字

m1 = pattern.match(str1) # 查找头部，没有匹配

print(m1)

#例子二

str2='ting123hai456'

pattern = re.compile(r'd+') # 用于匹配至少一个数字

m2 = pattern.match(str2,3,8) # 从'g'的位置开始匹配，没有匹配

print(m2)

#例子三

str3='ting123hai456'

pattern = re.compile(r'd+') # 用于匹配至少一个数字

m3 = pattern.match(str3,4,8) # 从'1'的位置开始匹配，正好匹配

print(m3) # 返回一个 Match 对象

print(m3.group(0))

print(m3.start(0))

print(m3.end(0))

print(m3.span(0))

运行结果：

None

None

123

4

7

(4, 7)

在上面，当匹配成功时返回一个 Match 对象，其中：

group([group1, …]) 方法：用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；

start([group]) 方法：用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引)，参数默认值为 0；

end([group]) 方法：用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1)，参数默认值为 0；

span([group]) 方法：返回 (start(group), end(group))。

re.I 与re.S

1. re.I 表示忽略大小写。

2. re.S 表示全文匹配。

例子一：re.I 表示忽略大小写。

import re

pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写

m = pattern.match('Welcome To Reptiles')

print(m) # 匹配成功，返回一个 Match 对象

print(m.group(0)) # 返回匹配成功的整个子串

print(m.span(0)) # 返回匹配成功的整个子串的索引

print(m.group(1)) # 返回第一个分组匹配成功的子串

print(m.span(1)) # 返回第一个分组匹配成功的子串的索引

print(m.group(2)) # 返回第二个分组匹配成功的子串

print(m.span(2)) # 返回第二个分组匹配成功的子串

print(m.groups()) # 等价于 (m.group(1), m.group(2), ...)

print(m.group(3)) # compile(r'([a-z]+) ([a-z]+)')只是匹配了2组规则，不存在第三个分组

运行结果：

Welcome To

(0, 10)

Welcome

(0, 7)

To

(8, 10)

('Welcome', 'To')

IndexError: no such group

re.S表示全文匹配，讲findall()方法的时候，再用具体的例子展示。

13.1.9 re模块之search 方法

search 方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：

search(string,begin,end)

其中，string 是待匹配的字符串，begin 和end 是可选参数，指定字符串的起始和终点位置，当你指定begin 和end 时，search 方法会根据指定的范围去查询，如果不指定begin 和end 时，match 方法默认任何位置，只要找到了一个匹配的结果就返回。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

综合例子1：

import re

#例子一

str1='ting123hai456'

pattern = re.compile('d+')

m1 = pattern.search(str1) # 查找字符串任意位置，这里如果使用 match 方法则不匹配

print(m1)

print(m1.group())

print(m1.span())

#例子二

str2='ting123hai456'

pattern = re.compile('d+')

m2 = pattern.search(str2,4,8) # 指定字符串区间

print(m2)

print(m2.group())

print(m2.span())

运行结果:

123

(4, 7)

123

(4, 7)

综合例子2：

import re

#例子一

str1='ting123hai456'

pattern = re.compile('d+')

m1 = pattern.search(str1) # 查找字符串任意位置，这里如果使用 match 方法则不匹配

print(m1)

print(m1.group())

print(m1.span())

#例子二

str2='ting123hai456'

pattern = re.compile('d+')

m2 = pattern.search(str2,7,13) # 指定字符串区间

print(m2)

print(m2.group())

print(m2.span())

运行结果：

123

(4, 7)

456

(10, 13)

13.1.10 re模块之findall 方法

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。

findall 方法的使用形式如下：

findall(string,begin,end)

其中，string 是待匹配的字符串，begin 和end 是可选参数，指定字符串的起始和终点位置，当你指定begin 和end 时，findall 方法会根据指定的范围去查询，以列表形式返回全部能匹配的子串，如果不指定begin 和end 时，match 方法会全文搜索，以列表形式返回全部能匹配的子串。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

综合例子：

import re

#例子一

str1 = 'hello123hell world456hel'

pattern = re.compile('hel') # 查找数字

m1 = pattern.findall(str1)

print(m1)

#例子二

str2 = 'hello123hell world456hel'

pattern = re.compile('hel') # 查找 hel

m2 = pattern.findall(str2, 7, 14)

print(m2)

#例子三

str3 = 'hello123hell world456hel'

pattern = re.compile('hel') # 查找 hel

m3 = pattern.findall(str3, 7, 25)

print(m3)

运行结果：

['hel', 'hel', 'hel']

['hel']

['hel', 'hel']

13.1.11 re模块之finditer 方法

finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。

例子：

import re

pattern = re.compile(r'd+')

m1 = pattern.finditer('hello 123456 789')

m2 = pattern.finditer('one1two2three3four4', 0, 10)

print(type(m1))

print(type(m2))

print('----- m1 ------')

for a1 in m1: # a1 是 Match 对象

print('matching string: {}, position: {}'.format(a1.group(), a1.span()))

print('----- m2 ------')

for a2 in m2:

print('matching string: {}, position: {}'.format(a2.group(), a2.span()))

运行结果：

----- m1 ------

matching string: 123456, position: (6, 12)

matching string: 789, position: (13, 16)

----- m2 ------

matching string: 1, position: (3, 4)

matching string: 2, position: (7, 8)

13.1.12 split 方法

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

例子：

import re

p = re.compile(r'[s,;]+')

print(p.split('a,b;; c d'))

运行结果：

['a', 'b', 'c', 'd']

13.1.13 sub 方法

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：

如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；

如果 repl 是函数，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。

例子一：

import re

p = re.compile('123(.*?)123')

s = '123asdfxxIxxxxLovexxded123'

f = p.sub('123456789',s)

print(f)

运行结果：

123456789

例子二：

import re

p = re.compile(r'(w+) (w+)') # w = [A-Za-z0-9]

s = 'hello 123, hello 456'

print(p.sub(r'hello world', s)) # 使用 'hello world' 替换 'hello 123' 和 'hello 456'

print(p.sub(r'2 1', s)) # 引用分组

def func(m):

return 'hi' + ' ' + m.group(2)

print(p.sub(func, s))

print(p.sub(func, s, 1)) # 最多替换一次

运行结果：

hello world, hello world

123 hello, 456 hello

hi 123, hi 456

hi 123, hello 456

13.1.14 贪婪模式与非贪婪模式

在使用正则匹配的时候，有2种模式：

【贪婪模式】：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；

【非贪婪模式】：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；

Python里数量词默认是贪婪的。

综合例子一：

import re

#例子一 贪婪模式

s = 'abbbc'

p = re.compile('ab*')

f1 = p.findall(s)

print(f1)

#例子二 非贪婪模式

s = 'abbbc'

p = re.compile('ab*?')

f2 = p.findall(s)

print(f2)

运行结果：

['abbb']

['a']

运行结果说明：

使用贪婪的数量词的正则表达式 ab* ，匹配结果： abbb。

* 决定了尽可能多匹配 b，所以a后面所有的 b 都出现了。

使用非贪婪的数量词的正则表达式ab*?，匹配结果： a。

即使前面有 *，但是 ? 决定了尽可能少匹配 b，所以没有 b。

综合例子二：

import re

html="aa

test1

bb

test2

cc"

#例子一 贪婪模式

p = re.compile('

.*

')

f1 = p.findall(html)

print(f1)

#例子二 非贪婪模式

p = re.compile('

.*?

')

f2 = p.findall(html)

print(f2)

运行结果：

['

test1

bb

test2

']

['

test1

', '

test2

']

运行结果说明：

使用贪婪的数量词的正则表达式：

.*

匹配结果：

test1

bb

test2

这里采用的是贪婪模式。在匹配到第一个“

”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个“”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为“