python爬虫学习之re正则表达式

本文介绍了Python的re正则表达式包,包括re库的基本使用,如search、match、findall、split、finditer和sub等主要功能函数的详细解释,以及正则表达式的编译和常用操作符,如贪婪匹配和最小匹配的概念。学习正则表达式对于爬虫数据提取至关重要。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

正则表达式包re

 regular expression = regex = re 正则表达式是通用的字符串表达框架,是判断字符串的特征所属的方法,这种方法几乎在所有的计算机相关领域都有所涉及。那么,爬虫这一对数据的提取的技术也不例外。学好正则表达式是所有计算机人的基本功。
 正则表达式的编译:将符合正则表达式语法的字符串转换成正则表达式特征。
 正则表达式的常用操作符:
 1. .表示任何单个字符
 2. []字符集,对单个字符给出取值范围
 3. [^]非字符集,对单个字符给出排除范围
 4. *一个字符0次或无限次扩展(0次扩展就是没有)
 5. +前一个字符1次或无限次扩展
 6. ?前一个字符0次或1次扩展
 7. |左右表达式任意一个如abc|def表示abc或者def
 8. {m}扩展前一个字符m次
 9. {m, n}扩展前一个字符m次至n次(含n)
 10. ^匹配字符串开头,如^abc表示abc且在一个字符串的开头
 11. $匹配字符串的结尾
 12. ()分组标记,内部只能使用|操作符,如(abc)表示abc,(abc|def)表示abc或def
 13. \d数字,等价于[0-9]
 14. \w单词字符,等价于[A-Za-z0-9_]

re库的基本使用

 re库的应用语句如下

import re

 re库使用raw string类型表示正则表达式,表示为r’text’
 raw string是不包含转义符的字符串
 也可以用string,不过太繁琐

re库的主要功能函数:

 1. 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
 2. re.match()从一个字符串的开始的位置匹配正则表达式,返回match对象
 3. re.findall()搜索字符串,以列表类型返回全部能匹配的子串
 4. 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
 5. re.finditer()搜索字符串,返回一个匹配结果的迭代类型,每个迭代类型元素是match对象
 6. 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.search(pattern, string, flags = 0)

pattern:正则表达式的字符串
string:待匹配的字符串
flags:正则表达式使用时的控制标记
控制标记:
re.I忽略正则表达式大小写
re.M 正则表达式中^可以将每行当作匹配开始
re.S 正则表达式.操作符能匹配所有字符,默认是匹配除了换行符外的所有字符

match = re.search(r'[1-9]\d{5}', 'Bit 100081')
if match:
    print(match.group(0))
re.match(pattern, string, flags = 0)
match = re.match(r'[1-9]\d{5}', 'Bit 100081')
#这样无结果,因为是从bit开始匹配,这里一定要有if的控制否则空的话无group函数,会报错
if match:
    print(match.group(0))
match = re.match(r'[1-9]\d{5}', '100081 Bit')  
if match:
    print(match.group(0))
re.findall(pattern, string, flags = 0)
ls = re.findall(r'[1-9]\d{5}', 'Bit100081 Bit100082')
print(ls)
re.split(pattern, string, maxsplit = 0, flags = 0)
#maxsplit是最大分割数
print(re.split(r'[1-9]\d{5}', 'Bit100081 Bit100082'))
print(re.split(r'[1-9]\d{5}', 'Bit100081 Bit100082',maxsplit = 1))
re.finditer(pattern, string, flags = 0)
for m in re.finditer(r'[1-9]\d{5}', 'Bit100081 Bit100082'):
    if(m):
        print(m.group(0))
re.sub(pattern, repl, string, count = 0, flags = 0)
'''
re.sub(pattern, repl, string, count = 0, flags = 0)
repl替换匹配字符串的字符串
count匹配的最大次数
'''
re.sub(r'[1-9]\d{5}', ':zipcode','Bit100081 Bit100082')
正则表达式还有面向对象的用法
#compile将正则表达式形式编译成正则表达式对象
#.compile(pattern, flags)
pat = re.compile(r'[1-9]\d{5}')
rst = pat.search('BIT 100081')
if rst:
    print(rst.group(0))
生成的表达式对象

re库的match对象

  • 属性:
    1. .string待匹配的文本
    2. .re匹配时使用的pattern对象
    3. .pos正则表达式搜索文本的开始位置
    4. .endpos正则表达式搜索文本的结束位置
  • 方法:
    1. .group(0)是获取匹配后的字符串
    2. .start()匹配字符串在原始字符串的开始位置
    3. .edn()匹配字符串在原始字符串的结束位置
    4. .span()返回(.start(), .end())
match = re.search(r'[1-9]\d{5}', 'BIT 180001')
print(match.string)
print(match.re)
print(match.pos)
print(match.endpos)
print(match.group(0))
print(match.start())
print(match.end())
print(match.span())
re库的贪婪匹配和最小匹配

 最小匹配操作符

  1. *?前一个字符0次或无限次扩展,最小匹配
  2. +?前一个字符1次或无限次扩展,最小匹配
  3. ??前一个字符0次或一次扩展,最小匹配
  4. {m, n}前一个字符m或n次扩展(包含n),最小匹配
#re库默认采用贪婪匹配,输出最长子串
match = re.search(r'PY.*N', 'PYANBNCNDN')
print(match.group(0))
match = re.search(r'PY.*?N', 'PYANBNCNDN')
print(match.group(0))
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值