python爬虫之re正则表达式库
2017-06-14 21:20
381 查看
python爬虫之re正则表达式库
正则表达式是用来简洁表达一组字符串的表达式,编译:将符合正则表达式语法的字符串转换成正则表达式特征
操作符 说明 实例 . 表示任何单个字符 [ ] 字符集,对单个字符给出取值范围 [abc]表示a、b、c,[a‐z]表示a到z单个字符 [^ ] 非字符集,对单个字符给出排除范围 [^abc]表示非a或b或c的单个字符 * 前一个字符0次或无限次扩展 abc* 表示ab、abc、abcc、abccc等 + 前一个字符1次或无限次扩展 abc+ 表示abc、abcc、abccc等 ? 前一个字符0次或1次扩展 abc? 表示ab、abc | 左右表达式任意一个 abc|def 表示abc、def {m} 扩展前一个字符m次 ab{2}c表示abbc {m,n} 扩展前一个字符m至n次(含n) ab{1,2}c表示abc、abbc ^ 匹配字符串开头 ^abc表示abc且在一个字符串的开头 $ 匹配字符串结尾 abc$表示abc且在一个字符串的结尾 ( ) 分组标记,内部只能使用| 操作符 (abc)表示abc,(abc|def)表示abc、def \d 数字,等价于[0‐9] \w 单词字符,等价于[A‐Za‐z0‐9_]
正则表达式 对应字符串 P(Y|YT|YTH|YTHO)?N 'PN'、'PYN'、'PYTN'、'PYTHN'、'PYTHON' PYTHON+ 'PYTHON'、'PYTHONN'、'PYTHONNN' … PYON 'PYTON'、'PYHON' PY[^TH]?ON 'PYON'、'PYaON'、'PYbON'、'PYcON'… PY{:3}N 'PN'、'PYN'、'PYYN'、'PYYYN'… re库的主要功能函数
re库是Python的标准库,主要用于字符串匹配
re库采用raw string类型表示正则表达式,表示为:r’text’,raw string是不包含对转义符再次转义的字符串。re.search() 在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象 re.match() 从一个字符串的开始位置起匹配正则表达式,返回match对象 re.findall() 搜索字符串,以列表类型返回全部能匹配的子串 re.split() 将一个字符串按照正则表达式匹配结果进行分割,返回列表类型 re.finditer() 搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象 re.sub() 在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串re.match
match()函数从字符串的起始位置开始匹配。
如果匹配成功,则返回match对象;否则返回None。
可以用匹配对象的group()方法来显示成功匹配的对象。
语法:re.match(pattern, string, flags=0)
pattern : 正则表达式的字符串或原生字符串表示
string : 待匹配字符串
flags : 正则表达式使用时的控制标记>>> import re >>> m = re.match('hello','helloworld') >>> m.group() 'hello'
为了保险起见,可以这样写:>>> import re >>> m = re.match('hello','helloworld') >>> if m is not None: # if match: m.group() 'hello'
也可以充分利用Python的面向对象特性,间接省略中间结果:>>> import re >>> re.match('hello','helloworld').group() 'hello'
但match()函数从字符串的起始位置开始匹配,下面这种情况匹配不到初学者想要的结果:>>> import re >>> m = re.match(r'[1-9]\d{5}', 'BIT 100081') >>> m.group Traceback (most recent call last): File "<pyshell#16>", line 1, in <module> m.group AttributeError: 'NoneType' object has no attribute 'group'
这可如何是好,且看下一节的search()函数。re.search
语法:re.search(pattern, string, flags=0)
在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象
参数:
- pattern : 正则表达式的字符串或原生字符串表示
- string : 待匹配字符串
- flags : 正则表达式使用时的控制标记
re.search的常用标记
常用标记 说明 re.I re.IGNORECASE 忽略正则表达式的大小写,[A‐Z]能够匹配小写字符 re.M re.MULTILINE 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始 re.S re.DOTALL 正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符 >>> import re >>> m = re.search(r'[1-9]\d{5}', 'BIT 100081') >>> m.group '100081're.findall()
findall()函数用来搜索字符串,以列表类型返回全部能匹配的子串。re.findall(pattern, string, flags=0)
输入参数:
- pattern : 正则表达式的字符串或原生字符串表示
- string : 待匹配字符串
- flags : 正则表达式使用时的控制标记>>> import re >>> ls = re.findall(r'[1-9]\d{5}', 'BIT100081 TSU100084') >>> ls ['100081', '100084']re.split()
将一个字符串按照正则表达式匹配结果进行分割,返回列表类型。
语法:re.split(pattern, string, maxsplit=0, flags=0)
输入参数:
- pattern : 正则表达式的字符串或原生字符串表示
- string : 待匹配字符串
- maxsplit: 最大分割数,剩余部分作为最后一个元素输出
- flags : 正则表达式使用时的控制标记>>> import re >>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084') ['BIT', ' TSU', ''] >>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=1) ['BIT', ' TSU100084'] >>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=2) ['BIT', ' TSU', ''] >>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=3) ['BIT', ' TSU', '']finditer()
搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象
语法:re.finditer(pattern, string, flags=0)
pattern : 正则表达式的字符串或原生字符串表示
string : 待匹配字符串
flags : 正则表达式使用时的控制标记>>> import re >>> for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'): if m: print(m.group(0)) 100081 100084sub()
在一个字符串中替换所有匹配正则表达式的子串, 返回替换后的字符串.
语法:re.sub(pattern, repl, string, count=0, flags=0)
输入参数:
- pattern : 正则表达式的字符串或原生字符串表示
- repl : 替换匹配字符串的字符串
- string : 待匹配字符串
- count : 匹配的最大替换次数
- flags : 正则表达式使用时的控制标记>>> import re >>> re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT100081 TSU100084') 'BIT:zipcode TSU:zipcode'compile()
将正则表达式的字符串形式编译成正则表达式对象
语法:regex = re.compile(pattern, flags=0)
输入参数:
- pattern : 正则表达式的字符串或原生字符串表示
- flags : 正则表达式使用时的控制标记re库的另一种等价用法
函数式用法:一次性操作>>> m = re.search(r'[1-9]\d{5}', 'BIT 100081')
面向对象用法:编译后的多次操作>>> regex = re.compile(r'[1-9]\d{5}') >>> rst = regex.search('BIT 100081')re库的match对象
Match对象是一次匹配的结果,包含匹配的很多信息match对象的属性
属性 说明 .string 待匹配的文本 .re 匹配时使用的patter对象(正则表达式) .pos 正则表达式搜索文本的开始位置 .endpos 正则表达式搜索文本的结束位置match对象的方法
方法 说明 .group(0) 获得匹配后的字符串 .start() 匹配字符串在原始字符串的开始位置 .end() 匹配字符串在原始字符串的结束位置 .span() 返回(.start(), .end())re库的贪婪匹配和最小匹配
贪婪匹配
Re库默认采用贪婪匹配,即输出匹配最长的子串>>> match = re.search(r'PY.*N', 'PYANBNCNDN') >>> match.group(0) 'PYANBNCNDN'最小匹配
操作符 说明 *? 前一个字符0次或无限次扩展,最小匹配 +? 前一个字符1次或无限次扩展,最小匹配 ?? 前一个字符0次或1次扩展,最小匹配 {m,n}? 扩展前一个字符m至n次(含n),最小匹配
参考
http://www.icourse163.org/course/BIT-1001870001
https://docs.python.org/3/library/re.html相关文章推荐
- Python爬虫实例(4)-用urllib、re和正则表达式爬取网页图片
- python爬虫入门(2)re模块-正则表达式
- python爬虫学习之re正则表达式
- Python爬虫实践(八):正则表达式re模块(2)
- python爬虫主要就是五个模块:爬虫启动入口模块,URL管理器存放已经爬虫的URL和待爬虫URL列表,html下载器,html解析器,html输出器 同时可以掌握到urllib2的使用、bs4(BeautifulSoup)页面解析器、re正则表达式、urlparse、python基础知识回顾(set集合操作)等相关内容。
- python3爬虫(二) re模块与正则表达式
- Python爬虫实践(七):正则表达式(2) re模块的使用
- python爬虫之re正则表达式库
- python爬虫入门(1) 基础知识 ; 正则表达式 Re 模块
- 【Python3 爬虫】09_正则表达式(re.math()、re.search()、re.sub()、全局匹配函数)
- 比较详细Python正则表达式操作指南(re使用)
- 比较详细Python正则表达式操作指南(re使用)
- Python模块学习 ---- re 正则表达式
- Python标准库01 正则表达式 (re包)
- Python天天美味(15) - Python正则表达式操作指南(re使用)(转)
- Python re正则表达式学习
- 转:比较详细Python正则表达式操作指南(re使用)
- python 学习记录(2)—re 正则表达式模块的使用
- python的正则表达式 re
- python正则表达式:re模块