前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python 爬虫必备-正则表达式(re模块)

Python 爬虫必备-正则表达式(re模块)

作者头像
双愚
发布2018-05-28 14:48:34
5820
发布2018-05-28 14:48:34
举报
文章被收录于专栏:重庆的技术分享区
正则表达式re模块
正则表达式re模块

正则表达式须知

  • 正则表达式是用来匹配字符串非常强大的工具,在其他编程语言中同样有正则表达式的概念,Python同样不例外,利用了正则表达式,我们想要从返回的页面内容提取出我们想要的内容就易如反掌了。 正则表达式的大致匹配过程是: 1.依次拿出表达式和文本中的字符比较, 2.如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。 3.如果表达式中有量词或边界,这个过程会稍微有一些不同。

正则表达式语法规则

下面是Python中正则表达式的一些匹配规则,图片资料来自CSDN

正则表达式
正则表达式

正则表达式特别强调

  1. python转义字符
    • 正则表达式使用反斜杠” \ “来代表特殊形式或用作转义字符,这里跟Python的语法冲突,因此,Python用” \\ “表示正则表达式中的” \ “,因为正则表达式中如果要匹配” \ “,需要用\来转义,变成” \ “,而Python语法中又需要对字符串中每一个\进行转义,所以就变成了” \\ “。
      • Python里的原生字符串很好地解决了这个问题,这个例子中的正则表达式可以使用r”\”表示。同样,匹配一个数字的”\d”可以写成r”\d”。有了原生字符串,妈妈也不用担心是不是漏写了反斜杠,写出来的表达式也更直观勒。
  2. 贪婪模式和非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;非贪婪则相反,总是尝试匹配尽可能少的字符。在”*”,”?”,”+”,”{m,n}”后面加上?,使贪婪变成非贪婪。

可参考: python 正则表达式的贪婪匹配与非贪婪匹配

Python Re模块

Python 自带了re模块,它提供了对正则表达式的支持。主要用到的方法列举如下

12345678910

#返回pattern对象re.compile(string[,flag]) #以下为匹配所用函数re.match(pattern, string[, flags])re.search(pattern, string[, flags])re.split(pattern, string[, maxsplit])re.findall(pattern, string[, flags])re.finditer(pattern, string[, flags])re.sub(pattern, repl, string[, count])re.subn(pattern, repl, string[, count])

在介绍这几个方法之前,我们先来介绍一下pattern的概念,pattern可以理解为一个匹配模式,那么我们怎么获得这个匹配模式呢?很简单,我们需要利用re.compile方法就可以。例如

1

pattern = re.compile(r'hello')

另外大家可能注意到了另一个参数 flags,在这里解释一下这个参数的含义:

参数flag是匹配模式,取值可以使用按位或运算符’|’表示同时生效,比如re.I | re.M。

可选值有:

123456

• re.I(全拼:IGNORECASE): 忽略大小写(括号内是完整写法,下同)• re.M(全拼:MULTILINE): 多行模式,改变'^'和'$'的行为(参见上图)• re.S(全拼:DOTALL): 点任意匹配模式,改变'.'的行为• re.L(全拼:LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定• re.U(全拼:UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性• re.X(全拼:VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。

在刚才所说的另外几个方法例如 re.match 里我们就需要用到这个pattern了,下面我们一一介绍。

(1)re.match(pattern, string[, flags])

这个方法将会从string(我们要匹配的字符串)的开头开始,尝试匹配pattern,一直向后匹配,如果遇到无法匹配的字符,立即返回None,如果匹配未结束已经到达string的末尾,也会返回None。两个结果均表示匹配失败,否则匹配pattern成功,同时匹配终止,不再对string向后匹配。下面我们通过一个例子理解一下

123456789101112131415161718192021222324252627282930313233343536373839

# 将正则表达式编译成Pattern对象,注意hello前面的r的意思是“原生字符串”pattern = re.compile(r'hello') # 使用re.match匹配文本,获得匹配结果,无法匹配时将返回Noneresult1 = re.match(pattern,'hello')result2 = re.match(pattern,'helloo CQC!')result3 = re.match(pattern,'helo CQC!')result4 = re.match(pattern,'hello CQC!') #如果1匹配成功if result1: # 使用Match获得分组信息 print(result1.group())else: print ('1匹配失败!') #如果2匹配成功if result2: # 使用Match获得分组信息 print(result2.group())else: print( '2匹配失败!') #如果3匹配成功if result3: # 使用Match获得分组信息 print( result3.group())else: print('3匹配失败!') #如果4匹配成功if result4: # 使用Match获得分组信息 print( result4.group())else: print( '4匹配失败!')

我们还看到最后打印出了result.group(),这个是什么意思呢?下面我们说一下关于match对象的的属性和方法 Match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用Match提供的可读属性或方法来获取这些信息。

1234

1.group([group1, …]):获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。2.groups([default]):以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。

(2)re.search(pattern, string[, flags])

search方法与match方法极其类似,区别在于match()函数只检测re是不是在string的开始位置匹配,search()会扫描整个string查找匹配,match()只有在0位置匹配成功的话才有返回,如果不是开始位置匹配成功的话,match()就返回None。同样,search方法的返回对象同样match()返回对象的方法和属性。我们用一个例子感受一下

12345678

# 将正则表达式编译成Pattern对象pattern = re.compile(r'world')# 使用search()查找匹配的子串,不存在能匹配的子串时将返回None# 这个例子中使用match()无法成功匹配match = re.search(pattern,'hello world!')if match: # 使用Match获得分组信息 print( match.group())

(3)re.split(pattern, string[, maxsplit])

按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数,不指定将全部分割。我们通过下面的例子感受一下。

12345

pattern = re.compile(r'\d+')print( re.split(pattern,'one1two2three3four4')) ### 输出 #### ['one', 'two', 'three', 'four', '']

(4)re.findall(pattern, string[, flags])

搜索string,以列表形式返回全部能匹配的子串。我们通过这个例子来感受一下

12345

pattern = re.compile(r'\d+')print( re.findall(pattern,'one1two2three3four4')) ### 输出 #### ['1', '2', '3', '4']

(5)re.finditer(pattern, string[, flags])

搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。我们通过下面的例子来感受一下

123456

pattern = re.compile(r'\d+')for m in re.finditer(pattern,'one1two2three3four4'): print( m.group()), ### 输出 #### 1 2 3 4

(6)re.sub(pattern, repl, string[, count])

使用repl替换string中每一个匹配的子串后返回替换后的字符串。 当repl是一个字符串时,可以使用\id或\g、\g引用分组,但不能使用编号0。 当repl是一个方法时,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。

123456789

pattern = re.compile(r'(\w+) (\w+)')s = 'i say, hello world!' print( re.sub(pattern,r'\2 \1', s)) def func(m): return m.group(1).title() + ' ' + m.group(2).title() print( re.sub(pattern,func, s))

(7)re.subn(pattern, repl, string[, count])

返回 (sub(repl, string[, count]), 替换次数)。

12345678910111213

pattern = re.compile(r'(\w+) (\w+)')s = 'i say, hello world!' print( re.subn(pattern,r'\2 \1', s)) def func1(m): return m.group(1).title() + ' ' + m.group(2).title() print( re.subn(pattern,func1, s)) ### output #### ('say i, world hello!', 2)# ('I Say, Hello World!', 2)

参考:静觅 » Python爬虫入门七之正则表达式 python中re项目详解

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017-08-19,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 正则表达式须知
  • 正则表达式语法规则
  • 正则表达式特别强调
  • Python Re模块
    • (1)re.match(pattern, string[, flags])
      • (2)re.search(pattern, string[, flags])
        • (3)re.split(pattern, string[, maxsplit])
          • (4)re.findall(pattern, string[, flags])
            • (5)re.finditer(pattern, string[, flags])
              • (6)re.sub(pattern, repl, string[, count])
                • (7)re.subn(pattern, repl, string[, count])
                领券
                问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档