Python爬虫(十)_正则表达式

本篇将介绍python正则表达式,更多内容请参考:【python正则表达式】

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些过滤逻辑。 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:

  • 给定的字符串是否符合正则表达式的过滤逻辑(“匹配”)
  • 通过正则表达式,从文本字符串中获取到我们想要的特定部分(“过滤”)

正则表达式匹配规则

Python的re模块

在python中,我们可以使用内置的re模块来使用正则表达式。 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,只需要一个r前缀,示例:

r'chuanzhiboke\t\.\tpython'

re模块的一般使用步骤如下:

  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将文本进行匹配查找,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对象

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

#将正则表达式编译为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对象:从起始位置开始查找,一次匹配。
  • search对象:从任何位置开始查找,一次匹配。
  • findall()对象:全部匹配,返回列表。
  • finditer()对象:全部匹配,返回迭代器。
  • spilt()对象:分割字符串,返回列表
  • sub()对象:替换

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[, pos[, endpos]])

其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置,默认值分别是0和len(字符串长度)。因此,当你不指定pos和endpos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。

>>>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) #如果没有匹配上,就什么也不输出

>>>m = pattern.match('one12twothree34four', 2, 10) #从'e'的位置开始匹配,没有匹配到
>>>print(m)
>>>m = pattern.match('one12twothree34four', 3, 10) #从'1' 的位置开始匹配,正好匹配上
>>>print(m)
<_sre.SRE_Match object at 0x10a42aac0>
>>>m.group(0)   #可忽略0
'12'
>>>m.start(0)   #可忽略0
3
>>>m.end(0)    #可忽略0
5
>>>m.span(0)  #可忽略0
(3, 5)

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,当要获得整个匹配字符串的子串时,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),参数默认值是0
  • span([group])方法返回(start[group], end(group))
>>>import re
>>>pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) #表示忽略大小写
>>>m = pattern.match('hello world wide web')

>>>print(m)  #匹配成功,返回一个Match对象
<_sre.SRE_Match object at 0x10bea83e8>

>>>m.group(0)  #返回匹配成功的整个子串
'Hello World'

>>>m.span(0)   #返回匹配成功的整个子串
(0, 11)

>>>m.group(1)   #返回第一个分组匹配成功的子串
'Hello'

>>>m.span(1)  #返回第一个分组匹配成功
(0, 5)

>>>m.group(2)   #返回第2个分组匹配成功的子串
'World'

>>>m.span(2)     #返回第2个分组匹配成功的子串的位置
(6, 11)

>>>m.groups()   #等价于(m.group(1), m.group(2), ...)
('Hello', 'World')

>>>m.group(3)   #不存在第3个分组
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: no such group

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[, pos[, endpos]]]

其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置,默认值分别是0和len(字符串长度)。 当匹配成功时,返回一个Match对象,如果没有匹配上,则返回None。 让我们看看例子:

>>>import re
>>>pattern = re.compile('\d+')
>>>m = pattern.search('one12twothree34four')  #这里如果使用match方法则不匹配
>>>m
<_sre.SRE_Match object at 0x10cc03ac0>
>>>m.group()
'12'
>>>m = pattern.search('one12twothree34four', 10, 30)   #指定字符串区间  
>>>m
<_sre.SRE_Match object at 0x10cc03b28>
>>>m.group()
'34'
>>>m.span()
(13, 15)

在看一个例子:

# coding:utf-8
import re
#将正则表达式编译成Pattern对象
pattern = re.compile(r'\d+')
#使用search()方法查找匹配的字符串,不存在匹配的子串时将不返回
m = pattern.search('hello 123456 789')
if m:
    #使用Match获得分组信息
    print('matching string:',m.group())
    #起始位置和结束位置
    print('position: ',m.span())

执行结果:

matching string: 123456
position:(6,12)

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[, pos[, endpos]])

其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置分别是0和len(字符串长度)。 findall是以列表形式返回全部能匹配到的子串,如果没有匹配,则返回一个空列表。

import re
pattern = re.compile(r'\d+')  #查找数字

result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)

print(result1)
print(2)

执行结果如下:

['123456', '789']
['1', '2']

再来看一个例子:

import re
#re模块提供一个方法叫compile提供,提供我们输入一个匹配的规则
#然后返回一个pattern实例,我们根据这个规则去匹配字符串
pattern = re.compile(r'd+\.\d*')

#通过pattern.findall()方法能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

#findall以列表形式 返回全部能匹配到的子串给result
for item in result:
    print(item)

运行结果:

123.141593
3.15

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。

#coding:utf-8
import re

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

result1 = pattern.finditer('hello 123456 789')
result2 = pattern.finditer('one1two2three3four4', 0, 10)
print(result1)
print(result2)
print('result1....')
for m1 in result1:
    print("matching string:{} position:{}".format(m1.group(), m1.span()))

print('result2....')
for m2 in result2:
    print("matching string:{} position:{}".format(m2.group(), m2.span()))

执行结果:

<type 'callable-iterator'>
<type 'callable-iterator'>
result1.
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)

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用于指导最大分割次数,不知道静全部分割。 看看例子:

import re
p = re.compile(r'[\s\,;]+')
print(p.split('a,b;;c   d'))

执行结果:

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

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,repl还可以使用id的形式来引用过分组,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用于指导最多替换次数,不指定时全部替换。

看看例子:

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))

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

print(p.sub(func, s))
print(p.sub(func, s, 1))

执行结果:

hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456

匹配中文 在某些情况下,我们想要匹配文本中的汉字,有一点需要注意的是,中文的unicode编码范围主要在[u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。 假设现在想把字符串title=u'你好,hello,世界'中的中文提取出来,可以这么做:

import re
title = u'你好,hello,世界'
pattern = re.compile(u'[\u4e00-\u9fa5]+')
result = pattern.findall(title)

print(result)

注意到,我们在正则表达式前面加上了前缀u,u表示unicode字符串。 执行结果:

['你好', '世界']

注意:贪婪模式与非贪婪模式

  1. 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(*);
  2. 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(?);
  3. Python里数量词默认是贪婪的。

实例一:源字符串:abbbc

  • 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。

实例二:源字符串:aa<div>test1</div>bb<div>test2</div>cc

  • 使用贪婪的数量词的正则表达式:<div>.*</div>
  • 匹配结果:<div>test1</div>bb<div>test2</div> 这里采用的是贪婪模式。在匹配到第一个“</div>”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“</div>”后,向右再没有可以成功匹配的子串,匹配结束,匹配结果为“<div>test1</div>bb<div>test2</div>
  • 使用非贪婪的数量词的正则表达式:<div>.*?</div>
  • 匹配结果:<div>test1</div> 正则表达式二采用的是非贪婪模式,在匹配到第一个“</div>”时使整个表达式匹配成功,由于采用的是非贪婪模式,所以结束匹配,不再向右尝试,匹配结果为“<div>test1</div>”。

参考

  1. 正则表达式测试网址
  2. 廖雪峰-正则表达式
  3. Python正则匹配中文与编码总结

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏编程坑太多

Python正则表达式re模块简明笔记

1285
来自专栏北京马哥教育

Python 变量类型详解

豌豆贴心提醒,本文阅读时间5分钟,文末有秘密! ? 文 | 豌豆 图 | 来源网络 变量存储在内存中的值。这就意味着在创建变量时会在内存中开辟一个空...

4214
来自专栏别先生

Scala学习教程笔记二之函数式编程、Object对象、伴生对象、继承、Trait、

1:Scala之函数式编程学习笔记: 1:Scala函数式编程学习: 1.1:Scala定义一个简单的类,包含field以及方法,创建类的对象,并且调用...

3116
来自专栏开发与安全

从零开始学C++之虚函数与多态(二):纯虚函数、抽象类、虚析构函数

一、纯虚函数 虚函数是实现多态性的前提 需要在基类中定义共同的接口 接口要定义为虚函数 如果基类的接口没办法实现怎么办? 如形状类Shape 解...

2590
来自专栏编程

对Python中的类做简要的分析

在Python中,定义类是通过class关键字,class后面紧接着是类名,即Student,类名通常是大写开头的单词,紧接着是(object),表示该类是从哪...

19710
来自专栏别先生

java中集合类中Collection接口中的Map接口的常用方法熟悉

1:Map接口提供了将键映射到值的对象。一个映射不能包含重复的键;每个键最多只能映射到一个值。Map接口中同样提供了集合的常用方法。 2:由于Map集合中的元素...

21610
来自专栏Jack-Cui

434.Number of Segments in a String(String-Easy)

Count the number of segments in a string, where a segment is defined to be a con...

2009
来自专栏ImportSource

一分钟告诉你java final 关键字运行原理

final关键字究竟是怎么运行的? 这是一个非常有趣的问题, import java.util.ArrayList; import java.util.List...

3768
来自专栏测试开发架构之路

C++之迭代器

迭代器的概念 迭代器是用来访问string对象或vector对象的元素的,类似于下标运算和指针。 其对象是容器中的元素或string对象中的字符; 使用迭代器可...

3035
来自专栏Spark学习技巧

Java泛型详解——绝对是对泛型方法讲解最详细的,没有之一!

ArrayList可以存放任意类型,例子中添加了一个String类型,添加了一个Integer类型,再使用时都以String的方式使用,因此程序崩溃了。为了解决...

1812

扫码关注云+社区

领取腾讯云代金券