python爬虫之re正则表达式库

作者:tongqingliu

转载请注明出处:http://www.cnblogs.com/liutongqing/p/7011071.html

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[TH]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

http://www.icourse163.org/course/BIT-1001870001

https://docs.python.org/3/library/re.html

上一篇:Windows下Java开发环境安装与配置


下一篇:lvs/dr配置