python爬虫（三）---正则表达式_python正则匹配字母var 变量-优快云博客

本文链接：https://blog.youkuaiyun.com/ForeverLyan/article/details/103620327

本文介绍了数据的分类，包括结构化数据、半结构化数据和非结构化数据，重点讲解了JSON数据的解析方法和意义。接着，详细阐述了正则表达式的元字符，如匹配边界、重复次数的符号，以及Python中re模块的使用步骤和pattern对象的方法，如match方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

正则表达式
一、数据的分类

结构化数据
特点：数据以行为单位，每一个数据表示一个实体。每一行数据的属性都是一样的。
举例：关系型数据库中的表就是结构化数据。
处理方法：sql
半结构化数据
特点：结构化数据的另一种形式。他并不符合关系型数据的特点，不能用关系型模型来描述，但是这种数据包含相关标记，有用来分割语义元素以及字段进行分层的描述。因此也被称为自描述结构。
非结构化数据
特点：没有固定结构的数据
举例：文档、图片、音频、视频
处理方法：常常用二进制形式来做整体保存

二、json数据

json是什么语言的内容？
json是js语言中用来用字符串格式来保存对象和数组的一种数据结构。
json数据本质上是字符串
js中数组和对象：
js的数组：var array = {‘aa’,‘bb’,‘cc’} ----和python列表相对应
js的对象：var obj = {name:‘zhangsan’,age:10} —和python字典相对应

json数据的解析方法：
json模块：
对json字符串的操作“：
json.loads(json_str)—>python的list或者dict
json.dumps(python的list或者dict) —>json_str
------
对json文件的操作：
json.load(fp)—>从json文件中读出json数据，返回一个python的list或者dict
json.dump(python的list或者dict，fp)—》python的list或者dict保存到fp所对应的的文件中。

4、json的意义：
json作为数据格式进行传输，具有较高的效率
json不像xml那样具有严格的闭合标签，所以json作为数据传输的时候，他的数据有效占比（有效数据和总数据的比）比xml高很多。
在相同流量下，json比xml作为数据传输，传输的数据更多。
三、正则表达式
1、元字符
（1）匹配边界：
^ ----行首
$-----行尾
（2）重复次数
？----0次或1次
*----->=0
±— >=1
{n,}—>=n
{n,m}—>=n,<=m
{n}----n次
（3）各种字符的表示
[]----匹配括号中一个字符，单字符
[abc]–匹配a或者b或者c
[a-z0-9A-Z]
\d—数字
\w—数字字母下划线
\s—空白字符：换行符、制表符、空格
\b—单词边界
.----除换行符以外的任意字符。
2、re模块的使用。
python中re模块是用来做正则处理的。
（1）re模块的使用步骤：
#1导包
import re
#2将正则表达式编译成一个pattern对象
pattern = re.complie(
r’正则表达式’,
‘匹配模式’
)
r表示元字符。
#3、用pattern对象来使用相应的方法来匹配内容。

（2）pattern对象的方法：
1.match方法：默认从头开始，只匹配一次，返回一个match对象。
pattern.match(
‘匹配的目标字符串’，
start,匹配开始的位置–缺省，start = 0
end，匹配结束的位置–缺省,end = -1
)—>match对象

match对象的属性：
	match.group()---获取匹配内容。
	match.span()--匹配的范围
	match.start()---开始位置
	match.end()---结束位置
		这些方法都可以带一个参数0，但是不能写1,1来表示取分组。
		match.group(0)---获取匹配内容。
		match.span(0)--匹配的范围
		match.start(0)---开始位置
		match.end(0)---结束位置
		match.groups()--将所有分组的内容，按顺序放到一个元组中返回
2、search方法：从任意位置开始匹配，只匹配一次，返回一个match对象
	pattern.search(
		'匹配的目标字符串'，
		start,匹配开始的位置--缺省，start = 0
		end，匹配结束的位置--缺省,end = -1
	)--->match对象

3、findall方法：全文匹配，匹配多次，将每次匹配到的结果放到list中返回。
	pattern.findall(
		'匹配的目标字符串'，
		start,匹配开始的位置--缺省，start = 0
		end，匹配结束的位置--缺省,end = -1
	)--->list	
	
	
4、finditer方法：全文匹配，匹配多次，返回一个迭代器。
	pattern.finditer(
		'匹配的目标字符串'，
		start,匹配开始的位置--缺省，start = 0
		end，匹配结束的位置--缺省,end = -1
	)--->list	
	finditer主要用匹配内容比较多的情况下。


5、split：切分，按照正则所表示内容进行切分字符串，返回切分后的每个子串
	pattern.split(
		'要切分的字符串'，
		'切分字数'，默认是全部分。
	)--->list
6、sub方法：用指定字符串，替换正则表达所匹配到的内容。
	pattern.sub(
		repl,#替换成什么
		content,替换什么
		count,替换次数，默认替换所有
	)--->替换后的字符串。
	
	repl替换内容可以使函数：
		函数要求：
			1.函数必须有参数，参数就是正则匹配目标字符串所得到的每个match对象。
			2、这个函数必须要有返回值，返回值必须是字符串，这个字符串将来就作为替换的内容。
	
	#zhangsan:3000,lisi:4000
	#涨工资每个人涨1000
	content = 'zhangsan:3000,lisi:4000'
	p = re.compile(r'\d+')
	result = p.sub(add,)

7、分组
	分组在正则表达式中使用（）来表示的，一个括号就是一个分组。
	分组的作用：
	（1）筛选特定内容
	（2）可以在同一个表达式中应用前面的分组：
		\1引用第一分组
	（3）findall配合分组
		import re

		content = '<html><h1>正则表达式</h1></html>'
		p = re.compile(r'<(html)><(h1)>(.*)</\2></\1>')
		# print(p.search(content).group())
		print(p.findall(content))#[('html', 'h1', '正则表达式')]
8、贪婪非贪婪模式
	（1）贪婪和非贪婪的却别在于匹配内容的多少。
	（2）贪婪使用*来控制匹配次数的。正则默认是贪婪。
	（3）非贪婪使用?来控制的。
	（4）在表示数量控制元字符后面加一个？，此时就表示这个数量控制符取最小值，也就是非贪婪。

9.匹配模式：
	re.S ----.可以匹配换行符
	re.I----忽略大小写。