正则表达式库re

正则表达式：这是用来简洁表达一组字符串的表达式字符和操作符
优势：简洁
PY+表示以P开头后面有一个乃至无穷多个Y的表达式
“PY”开头，后续存在不多于10个字符，后续字符不能是“P”或“Y”
PY[^PY]{0,10}
正则表达式在文本处理中十分常用
表达文本类型的特征（病毒，入侵）
同时查找或替换一组字符串
匹配字符串的全部或部分

正则表达式的语法

re库的Match对象

match对象是一次运行的结果
match对象的方法：group(0),start(),end()

re库贪婪匹配和最小匹配

re库默认使用贪婪匹配，即最长匹配
最小匹配则需要加？
.表示任何单个字符，表示字符表上出现的任何字符。
[]是字符集，它对单个字符给出取值范围。如：[abc]表示a或b或c
[^]表示非字符集，给单个字符给出排除范围。如
[^abc]为非a或b或c的单个字符
表示前面一个字符0次到无数次扩展，如abc表示ab,abc,abc,abcc等
+表示前面一个字符1次到无数次扩展，如abc+表示abc,abc,abcc等
？表示前面一个字符0次或1次扩展，如abc?表示ab,abc
|表示左右表达式任一个，如abc|def表示abc或def
{m}表示扩展前面一个字符m次，如ab{2}c表示abbc
{m,n}表示扩展前面一个字符m到n次，如ab{1,2}c表示abc,abbc
^{匹配字符串的开头，如}abc表示abc且在一个字符串的开头
$匹配字符串的结尾，如abc$表示abc且在一个字符串的结尾
()分组标记，内部只能使用|
\d 等价于 {0-9}
\w 等价于 {A-Za-z0-9_}

例子

1

P(Y|YT|YTH|YTHO)?N
这个正则表达式的意义是从Y，YT，YTH，YTHO四个中任选一个，这个被选到的数出现0次或1次所构成的表达式
PN,PYN,PYTN,PYTHON

2

PY[TH]ON 这个正则表达式的意义是从从T和H两个字符中任选一个，那么它对应的字符串为：
PYTON，PYHON

3

PY[[^TH]?ON这个正则表达式很有意思，它是否定的，而且这个否定可出现一次也可不出现
那么它对应的字符串就知道了
PYON，PY和ON间只要不是TH都可以

4整数形式的字符串

^-?\d+KaTeX parse error: Expected 'EOF', got '\d' at position 11: 这个表达式的意义为：\̲d̲表示数字0-9，+表示0-9出…表示匹配该数的前段和后端

5 IP地址表达的正则表达式

(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])

而在我们爬取淘宝商品的代码中，同样也遇到了正则表达式

plt = re.findall(r’“view_price”:"[\d.]*"’,html)

import requests
import re
def getHTMLText(url):#这个函数的意义是从淘宝界面爬取源代码
    try:
        r = requests.get(url, timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding#有时apparent属性和apparent_encoding属性不一致，此时要用encoding
        return r.text
    except:
        return ""
def parserPage(ilt, html):#这是从爬取的源代码分析出价格和名称两个属性，这里的ilt表示获得结果的列表类型，html是获得的页面内容
    try:
        plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)#我们通过分析页面的源代码，即我们爬取到的内容，可以看到，view_price对应着价格
        #而raw_title对应着名称
        #我们使用了正则表达式的findall方法，用\引入了一个"和view_price,用\引入了一个"这里的意义是在获取的页面中提取出来veiw_price之后的内容
        #中数字和小数点混合的部分
        tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)# *？是最小匹配的意义，这里就是匹配键值对，也就是键"raw_price"对应着值"的最小匹配
        for i in range(len(plt)):
            price = eval(plt[i].split(':')[1])#此处用[1]的原因是python的下标从0开始，而这里的plt和tlt都有两个属性，键和值
            title = eval(tlt[i].split(':')[1])
            ilt.append([price , title])
    except:
        print("")
    
def printGoodsList(ilt):#这个是进行输出
    tplt = "{:4}\t{:8}\t{:16}"
    print(tplt.format("序号","价格","商品名称"))
    count = 0
    for g in ilt:
        count = count +1
        print(tplt.format(count, g[0], g[1]))
    
def main():
    goods = '书包'#搜索关键词定义为goods
    depth = 3#此处是设定爬取的深度，在淘宝界面上，每四十四个商品为一页，此处深度为3就是爬取120个商品
    start_url = 'https://s.taobao.com/search?q=' + goods#此处可以对淘宝页面进行分析可知
    infoList = []
    for i in range(depth):
        try:
            url = start_url + '&s=' + str(44*i)
            html = getHTMLText(url)#
            parserPage(infoList, html)#处理每个页面的解析过程
        except:
            continue
    printGoodsList(infoList)
main()

.