2017-04-11

学习python，免不了应对爬虫，初学爬虫最难理解的就是正则表达式。

比如我们要爬去网页上的某些内容，就像下面这种形式：

<p>safdsf</p><p>sdhjrth</p>

我们要提取标签内的内容，可以尝试来一次正则提取：

>>>s="<p>safdsf</p><p>sdhjrth</p>"

print(re.findall(r'<p>(.*)</p>',s))，这里我们使用findall方法，大家可以思考一下输出的结果，

['safdsf</a><a>sdhjrth']结果有点不尽人意，并没有将<p>标签完全去掉。这就要涉及到贪婪与非贪婪模式了，简单点来说就是一个？的问题

修改过后：

print(re.findall(r'<a>(.*?)</a>',s))

['safdsf', 'sdhjrth']

这样输出的结果就比较符合我们的要求了。所以正则表达式是非常值得研究的

下面介绍正则表达式的几个常用方法；

1，match()方法

大家不妨实验一下match（）的方法，这里就简单说一下

>>>p=re.compile(r'[a-z]+')

首先我们先匹配一下，从字母a到z，

>>>print(p.match('345sdf5ggd6fg'))
输出：None

这里我们可以看到输出的结果是none，这是因为match（）从字符串的第一位开始匹配，如果第一位不是字母，那么它就不会继续匹配下去。

>>>print(p.match('a345sdf5ggd6fg'))

<_sre.SRE_Match object; span=(0, 1), match='a'>

也就是说只要第一位不是字母，就无法匹配成功。大家可以看一下将p=re.compile(r'[a-z]+')后面的加号换成* 或者去掉。

p=re.compile(r'[a-z]+')

print(p.match('abcasd'))     结果：<_sre.SRE_Match object; span=(0, 6), match='abcasd'>

去掉之后

  p=re.compile(r'[a-z]')

pritn（p.match('abcasd')）  结果：  <_sre.SRE_Match object; span=(0, 1), match='a'>

这里的加号代表

匹配前面的子表达式一次或多次，关于正则表达的所有符号大家自己百度。

2..search()方法

关于search（）方法，看上去就比 match更加完美了。

它没有match（）只在第一位匹配的限制了。

>>>p=re.compile(r'[a-z]+')

>>>print(m=p.search('234abc'))

结果：<_sre.SRE_Match object; span=(3, 6), match='abc'>

的确是比match()方法好，主要看个人的实际应用。

3.finditer()方法

finditer() 则是将匹配对象作为一个迭代器返回,举个简单的例子吧。

p=re.compile(r'\d+')
for a in p.finditer('今天是4月11号'):

    print(a.group(),a.span())

4 (3, 4)

11 (5, 7)

4.findall()方法

与finditer不同的是，findall（）方法返回的是一个列表，和search（） match（）一样。

5.返回的方法

group() 返回匹配的字符串
start() 返回匹配的开始位置
end() 返回匹配的结束位置
span() 返回一个元组表示匹配位置（开始，结束）

正则表达式的高级方法这里就不多说了，会在近期的文章中一一探讨。（大神勿喷）