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