【愚公系列】《Python网络爬虫从入门到精通》011-使用findall()进行匹配
原创
【愚公系列】《Python网络爬虫从入门到精通》011-使用findall()进行匹配
原创
标题 | 详情 |
|---|---|
作者简介 | 愚公搬代码 |
头衔 | 华为云特约编辑，华为云云享专家，华为开发者专家，华为产品云测专家，CSDN博客专家，CSDN商业化专家，阿里云专家博主，阿里云签约作者，腾讯云优秀博主，腾讯云内容共创官，掘金优秀博主，亚马逊技领云博主，51CTO博客专家等。 |
近期荣誉 | 2022年度博客之星TOP2，2023年度博客之星TOP2，2022年华为云十佳博主，2023年华为云十佳博主，2024年华为云十佳博主等。 |
博客内容 | .NET、Java、Python、Go、Node、前端、IOS、Android、鸿蒙、Linux、物联网、网络安全、大数据、人工智能、U3D游戏、小程序等相关领域知识。 |
欢迎 | 👍点赞、✍评论、⭐收藏 |
🚀前言
在数据处理和文本分析的过程中，字符串匹配是一个常见而重要的任务。Python的正则表达式库提供了多种匹配工具，其中findall()函数因其强大的功能和简单的用法，成为了许多开发者和数据分析师的得力助手。与其他匹配方法相比，findall()能够在给定字符串中找到所有符合条件的匹配项，极大地方便了我们对数据的全面提取和分析。
在本期文章中，我们将深入探讨findall()函数的使用方法及其应用场景。我们将介绍findall()的基本语法、常见参数，以及与其他匹配方法（如search()和match()）的区别。通过具体的实例，我们将展示如何利用findall()函数高效地提取文本中的所有匹配内容，帮助你提升数据处理的效率和准确性。
🚀一、使用findall()进行匹配
方法作用
re.findall() 在字符串中搜索所有符合正则表达式的子串，返回包含所有匹配结果的列表（无匹配时返回空列表）。
语法格式
re.findall(pattern, string, flags=0)参数说明
pattern: 正则表达式（字符串形式）string: 待匹配字符串flags: 修饰符（可选，如re.I忽略大小写）🔎1.匹配所有指定字符开头的字符串
import re
pattern = 'mr_\w+' # 模式字符串
string = 'MR_SHOP mr_shop' # 要匹配的字符串
match = re.findall(pattern,string,re.I) # 搜索字符串，不区分大小写
print(match) # 输出匹配结果
string = '项目名称MR_SHOP mr_shop'
match = re.findall(pattern,string) # 搜索字符串，区分大小写
print(match) # 输出匹配结果关键点
re.I修饰符使匹配不区分大小写。- 未使用修饰符时，严格按大小写匹配。
🔎2.贪婪匹配（.*）
import re # 导入re模块
pattern = 'https://.*/' # 表达式，“.*”获取www.hao123.com
match = re.findall(pattern,'https://www.hao123.com/') # 匹配字符串
print(match) # 打印匹配结果
import re # 导入re模块
pattern = 'https://(.*)/' # 表达式，“.*”获取www.hao123.com
match = re.findall(pattern,'https://www.hao123.com/') # 匹配字符串
print(match) # 打印匹配结果关键点
.*为贪婪匹配，会匹配到最后一个符合条件的字符。- 使用
(.*)分组可提取特定部分。
🔎3.非贪婪匹配（.*?）
import re # 导入re模块
pattern = 'https://.*(\d+).com/' # 表达式，“.*”获取www.hao123.com
match = re.findall(pattern,'https://www.hao123.com/') # 匹配字符串
print(match) # 打印匹配结果
import re # 导入re模块
pattern = 'https://.*?(\d+).com/' # 表达式，“.*”获取www.hao123.com
match = re.findall(pattern,'https://www.hao123.com/') # 匹配字符串
print(match) # 打印匹配结果
import re # 导入re模块
pattern = 'https://(.*?)' # 表达式，“.*?”获取www.hao123.com/
match = re.findall(pattern,'https://www.hao123.com/') # 匹配字符串
print(match) # 打印匹配结果
pattern = 'https://(.*)' # 表达式，“.*”获取www.hao123.com/
match = re.findall(pattern,'https://www.hao123.com/') # 匹配字符串
print(match) # 打印匹配结果关键点
.*?为非贪婪匹配，尽可能少匹配字符。- 非贪婪匹配可能导致尾部匹配失败，需根据场景选择。
🔎4.贪婪 vs 非贪婪对比
场景 | 正则表达式 | 匹配结果 | 说明 |
|---|---|---|---|
提取中间数字 |
|
| 贪婪匹配吞掉大部分字符 |
提取中间数字 |
|
| 非贪婪精准定位目标 |
提取URL域名 |
|
| 非贪婪可能提前结束 |
提取URL域名 |
|
| 贪婪匹配完整内容 |
🔎5.注意事项
- 正则表达式模式
- 使用原始字符串（
r''）避免转义错误。 - 贪婪匹配（
.*）适用于提取尾部内容，非贪婪匹配（.*?）适用于精准定位中间内容。
- 使用原始字符串（
findall()特性- 返回所有匹配结果的列表，无分组时返回完整匹配，有分组时返回分组内容。
- 修饰符的作用
re.I、re.M等修饰符需根据需求添加。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
