python爬虫—正则表达式的使用

python爬虫—正则表达式的使用
“”"
^匹配字符串的开头
$匹配字符串的结尾
.匹配任意字符除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行的任意字符
[…]用来表示一组字符，单独列出，[adas]匹配’a’‘d’;‘a’‘s’
[^…]匹配不在[]中的字符
re* 匹配0和或多和表达式
re+ 匹配一个或多个的表达式
re? 匹配0或1个由前面的正则表达式定义的片段，非贪婪方式
re{n}
re{n,} 精确匹配N个前面表达式
re{n,m} 匹配n到m次由前面的正则表达式定义的片段，贪婪方式
a b
(re) G匹配括号内的表达式，也表示一个组
(?imx) 正则表达式包含三种可选标志：i，m或x 之影响括号内的区域
(?#.)注释
\w 匹配字母数字及下划线
\W 匹配非字母数字及下划线
\s 匹配任意空白字符，等价于【\t\n\r\f】
\S 匹配任意非空字符
\d 匹配任意数字，等价于[1-9]
\D 匹配任意非数字
\A 匹配字符串开始
\Z 匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串
\z 匹配字符串结束
\G 匹配最后完成匹配的位置
\b 匹配一个单词边界，也就是之单词和空格键的位置例如：er\b 可以匹配never 中的er 但是不可以匹配verb的er
\n,\t 匹配一个换行符，匹配一个制表符
\1…\9 匹配第n个分组的内容、
\10 匹配第n个分组的内容，如果经匹配，否则指的是八进制字符码的表达式
[\u4e00-\u9fa5] 中文

贪婪模式：总是匹配尽量多的字符】默认是贪婪的，非贪婪模式加个？
例如：正则表达式ab如果用于查找"abbbc" ,将找到’abbb’3而如果使用非贪婪模式ab?,将找到’a’

常用方法：
re.match() 尝试从字符串的起始位置
re.search
re.search扫描整个字符串并成功返回第一个成功的匹配
函数语法：re.search(pattern,string,flags=0)
re.sub
re.sub替换字符串re.sub(pattern,replace,string)
re.findall
re.findall查找全部 re.findall(pattern,string,flags=0)
“”"

实例演示：

import re
str1  = "I Study Python3.7 Everyday "
print("*****match****")
m1 = re.match(r'I',str1)
m2 = re.match(r"\w",str1)
m3 = re.match(r".",str1)
m4 = re.match(r"\D",str1)
m5 = re.match(r"i",str1,re.I)
m6 = re.match(r"\S",str1)
print(m1.group())
print(m4.group())
print(m5.group())

m = re.match(r"Study",str1)#匹配不到，因为match是从左开始匹配
print(m)
print("****re.search()*******")
m1 = re.search(r"Study",str1)
m3 = re.search(r"S\w+",str1)
m2 = re.findall(r"Study",str1)

print(m2[0])

m1 = re.search(r"P\w+.\d",str1)
print(m1.group())


f1 = re.findall(r"y",str1)#findall是一个列表
print(f1)
import re
str2 = '<div><a herf ="https://www.baidu.com/">bjsxt百度</a></div>'
# f1 = re.findall(r"[\u4e00-\u9fa5]\w+",str2)
# f2 = re.findall(r'<a herf ="https://www.baidu.com/">(.+)</a>',str2)
f3 = re.findall(r'a herf ="(.+)">',str2)
print(f3)

str2 = '<div class = "info" id = "info"><a herf ="https://www.baidu.com/">bjsxt百度</a></div>'
import re
str2 = '<div><a herf ="https://www.baidu.com/">bjsxt百度</a></div>'
sul = re.sub(r"<div>(.+)</div>",r"<span>\1</span>",str2)#\1一个分组
print(sul)