python——爬虫学习——正则表达式与Re库-(4)

时间:2021-11-15 22:50:37

正则表达式的概念

正则表达式是用来简洁表达一组字符串的表达式

正则表达式的语法

正则表达式语法由字符和操作符构成

正则表达式的常用操作符

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

||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_] |

正则表达式语法实例

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’…

经典正则表达式实例

实例 说明
\^[A‐Za‐z]+$ 由26个字母组成的字符串
\^[A‐Za‐z0‐9]+$ 由26个字母和数字组成的字符串
\^‐?\d+$ 整数形式的字符串
\^[0‐9]*[1‐9][0‐9]*$ 正整数形式的字符串
[1‐9]\d{5} 中国境内邮政编码,6位
[\u4e00‐\u9fa5] 匹配中文字符
\d{3}‐\d{8}|\d{4}‐\d{7} 国内电话号码,010‐68913536

Re库

调用方式:

import re

正则表达式的表示类型

raw string 类型

re库采用raw string类型表示正则表达式,表示为:

r'text'

例如:

r'[1‐9]\d{5}'
r'\d{3}‐\d{8}|\d{4}‐\d{7}'

raw string是不包含对转义符再次转义的字符串

string类型

例如:

'[1‐9]\\d{5}'
'\\d{3}‐\\d{8}|\\d{4}‐\\d{7}'

建议:当正则表达式包含转义符时,使用raw string

Re库主要功能函数

(1)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

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

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

例:

>>> match = re.search(r'\d+','BIT 100081')
>>> if match:
... print(match.group(0))
...
100081

(2) re.findall(pattern, string, flags=0)

搜索字符串,以列表类型返回全部能匹配的子串

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

例:

>>> ls = re.findall(r'[1-9]+\d+','BIT100081 A100 B101 C102')
>>> ls
['100081', '100', '101', '102']

(3)re.split(pattern, string, maxsplit=0, flags=0)

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

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

例:

>>> re.split(r'\d+','BIT100081 A100 B101 C102')
['BIT', ' A', ' B', ' C', '']
>>> re.split(r'\d+','BIT100081 A100 B101 C102',maxsplit=1)
['BIT', ' A100 B101 C102']

(4) re.finditer(pattern, string, flags=0)

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

例:

>>> for m in re.finditer(r'\d+','BIT100081 A100 B101 C102'):
... if m:
... print(m.group(0))
...
100081
100
101
102

(5) re.sub(pattern, repl, string, count=0, flags=0)

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

repl : 替换匹配字符串的字符串

count : 匹配的最大替换次数

例:

>>> re.sub(r'\d+','change','BIT100081 A100 B101 C102')
'BITchange Achange Bchange Cchange'

Re库的面向对象用法:

>>> pat = re.compile(r'\d+')
>>> rst=pat.search('BIT 100081')

regex = re.compile(pattern, flags=0)

将正则表达式的字符串形式编译成正则表达式对

>>> pat = re.compile(r'\d+')
>>> rst=pat.search('BIT 100081')

Match对象

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())

例:

>>> m=re.search(r'\d+','BIT100081 A100 B101 C102')
>>> m.string
'BIT100081 A100 B101 C102'
>>> m.re
<_sre.SRE_Pattern object at 0x0296E560>
>>> m.pos
0
>>> m.endpos
24
>>> m.group(0)
'100081'
>>> m.start()
3
>>> m.end()
9
>>> m.span()
(3, 9)

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

最小匹配操作符

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

只要长度输出可能不同的,都可以通过在操作符后增加?变成最小匹配

>>> match = re.search(r'PY.*?N','PYANBNCNDN')
>>> match.group(0)
'PYAN'