python爬虫之re正则表达式库
2017-06-14 21:25
393 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 | ||
{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 |
\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 | |
PYTHON+ | 'PYTHON'、'PYTHONN'、'PYTHONNN' | |
PY | ON | '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 100084
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.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
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