爬虫之解析工具---re（四）

概念：

正则表达式对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑

正则表达式匹配过程：

1. 依次拿出表达式和文本中的字符比较
2. 如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败
3. 如果表达式中有量词或边界，这个过程会稍微有一些不同

语法及相关注释：

1. 一般字符
   
   
    
2. 预定义字符集
   
   
    
3. 边界匹配
   
   
4. 特殊构造
   
   

• 匹配模式
  1. ​​​​​​​​​​​​忽略大小写， re.I
  2. 多行匹配， re.M, 改变^ 和 $
  3. 匹配任意多行，包括换行符， re.S
  4. 冗余/详细模式，此模式忽略正则表达式中的空白和#号的注释，re.X
     例子：email_regex = re.compile("[\w+\.]+@[a-zA-Z\d]+\.(com|cn)")​​​​​​​
• 匹配函数
  1. ​​​​​​​re.compile()
           Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern         实例，然后使用Pattern实例处理文本并获得匹配结果。我们可以通过re.compile()方法实现​​​​​​​
     
     

  2. re.com;ile(strPattern[.flag]):
            这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹         配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定          模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的

  3. re.match(pattern, string[, flags])
            这个方法将会从string（我们要匹配的字符串）的开头开始，尝试匹配pattern，一直向后匹配，如果遇到无法         匹配的字符，立即返回None，如果匹配未结束已经到达string的末尾，也会返回None。两个结果均表示匹配          失败，否则匹配pattern成功，同时匹配终止，不再对string向后匹配。

  4. match()的属性和方法。​​​​​​

     • ​​​​​​​属性：

       • ​​​​​​​.string: 匹配时使用的文本

       • re: 匹配时使用的Pattern对象

       • pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同

       • endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同

       • lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None

       • lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

     • 方法：

       1.group([group1, …]): 
              获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以             使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回                     None；截获了多次的组返回最后一次截获的子串。

       2.groups([default]): 
              以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的          组以这个值替代，默认为None。

       3.groupdict([default]): 
              返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内default同上。

       4.start([group]): 
              返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。

       5.end([group]): 
              返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。

       6.span([group]): 
              返回(start(group), end(group))。

       7.expand(template): 

       • ​​​​​​​将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但  不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，  只能使用\g<1<0
         

       • re.search(pattern, string[, flags])
         search方法与match方法极其类似，区别在于match()函数只检测re是不是在string的开始位置匹配，search()会扫描整个string查找匹配，match（）只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回None。同样，search方法的返回对象同match()返回对象的方法和属性一样。
         
         
       • re.split(pattern, string[, maxsplit])
         按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。
         
         
          
       • re.findall(pattern, string[, flags])
         搜索string，以列表形式返回全部能匹配的子串。
         
         
          
       • re.finditer(pattern, string[, flags])
         搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器
         
         
          
       • sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]
         使用repl替换string中每一个匹配的子串后返回替换后的字符串。 
         当repl是一个字符串时，可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。 
         当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）
         count用于指定最多替换次数，不指定时全部替换。
         
         
          

re的大部分的技术点都总结了，有不足之处，欢迎来电。。。——————>电话号码是：

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

不告诉你