python爬虫re_python爬虫之re正则表达式库

本文详细介绍了Python爬虫中re正则表达式库的基础知识,包括字符集、非字符集、重复次数、分组及常用函数如search、match、findall、split和sub的使用。通过实例演示了如何匹配、查找和替换字符串,以及如何利用re.compile进行高效编译。

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

python爬虫之re正则表达式库

正则表达式是用来简洁表达一组字符串的表达式。

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

操作符

说明

实例

.

表示任何单个字符

[ ]

字符集,对单个字符给出取值范围

[abc]表示a、b、c,[a‐z]表示a到z单个字符

[^ ]

非字符集,对单个字符给出排除范围

[^abc]表示非a或b或c的单个字符

*

前一个字符0次或无限次扩展

abc* 表示ab、abc、abcc、abccc等

+

前一个字符1次或无限次扩展

abc+ 表示abc、abcc、abccc等

?

前一个字符0次或1次扩展

abc? 表示ab、abc

左右表达式任意一个

{m}

扩展前一个字符m次

ab{2}c表示abbc

{m,n}

扩展前一个字符m至n次(含n)

ab{1,2}c表示abc、abbc

^

匹配字符串开头

^abc表示abc且在一个字符串的开头

$

匹配字符串结尾

abc$表示abc且在一个字符串的结尾

( )

分组标记,内部只能使用

操作符

\d

数字,等价于[0‐9]

\w

单词字符,等价于[A‐Za‐z0‐9_]

正则表达式

对应字符串

P(Y

YT

PYTHON+

'PYTHON'、'PYTHONN'、'PYTHONNN'

PY[TH]ON

'PYTON'、'PYHON'

PY[^TH]?ON

'PYON'、'PYaON'、'PYbON'、'PYcON'

PY{:3}N

'PN'、'PYN'、'PYYN'、'PYYYN'…

re库的主要功能函数

re库是Python的标准库,主要用于字符串匹配

re库采用raw string类型表示正则表达式,表示为:r'text',raw string是不包含对转义符再次转义的字符串。

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

re.match() 从一个字符串的开始位置起匹配正则表达式,返回match对象

re.findall() 搜索字符串,以列表类型返回全部能匹配的子串

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

re.finditer() 搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象

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.match

match()函数从字符串的起始位置开始匹配。

如果匹配成功,则返回match对象;否则返回None。

可以用匹配对象的group()方法来显示成功匹配的对象。

语法:

re.match(pattern, string, flags=0)

pattern : 正则表达式的字符串或原生字符串表示

string : 待匹配字符串

flags : 正则表达式使用时的控制标记

>>> import re

>>> m = re.match('hello','helloworld')

>>> m.group()

'hello'

为了保险起见,可以这样写:

>>> import re

>>> m = re.match('hello','helloworld')

>>> if m is not None: # if match:

m.group()

'hello'

也可以充分利用Python的面向对象特性,间接省略中间结果:

>>> import re

>>> re.match('hello','helloworld').group()

'hello'

但match()函数从字符串的起始位置开始匹配,下面这种情况匹配不到初学者想要的结果:

>>> import re

>>> m = re.match(r'[1-9]\d{5}', 'BIT 100081')

>>> m.group

Traceback (most recent call last):

File "", line 1, in

m.group

AttributeError: 'NoneType' object has no attribute 'group'

这可如何是好,且看下一节的search()函数。

re.search

语法:

re.search(pattern, string, flags=0)

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

参数:

pattern : 正则表达式的字符串或原生字符串表示

string : 待匹配字符串

flags : 正则表达式使用时的控制标记

re.search的常用标记

常用标记

说明

re.I re.IGNORECASE

忽略正则表达式的大小写,[A‐Z]能够匹配小写字符

re.M re.MULTILINE

正则表达式中的^操作符能够将给定字符串的每行当作匹配开始

re.S re.DOTALL

正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符

>>> import re

>>> m = re.search(r'[1-9]\d{5}', 'BIT 100081')

>>> m.group

'100081'

re.findall()

findall()函数用来搜索字符串,以列表类型返回全部能匹配的子串。

re.findall(pattern, string, flags=0)

输入参数:

pattern : 正则表达式的字符串或原生字符串表示

string : 待匹配字符串

flags : 正则表达式使用时的控制标记

>>> import re

>>> ls = re.findall(r'[1-9]\d{5}', 'BIT100081 TSU100084')

>>> ls

['100081', '100084']

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。

语法:

re.split(pattern, string, maxsplit=0, flags=0)

输入参数:

pattern : 正则表达式的字符串或原生字符串表示

string : 待匹配字符串

maxsplit: 最大分割数,剩余部分作为最后一个元素输出

flags : 正则表达式使用时的控制标记

>>> import re

>>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084')

['BIT', ' TSU', '']

>>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=1)

['BIT', ' TSU100084']

>>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=2)

['BIT', ' TSU', '']

>>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=3)

['BIT', ' TSU', '']

finditer()

搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象

语法:

re.finditer(pattern, string, flags=0)

pattern : 正则表达式的字符串或原生字符串表示

string : 待匹配字符串

flags : 正则表达式使用时的控制标记

>>> import re

>>> for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'):

if m:

print(m.group(0))

100081

100084

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.

语法:

re.sub(pattern, repl, string, count=0, flags=0)

输入参数:

pattern : 正则表达式的字符串或原生字符串表示

repl : 替换匹配字符串的字符串

string : 待匹配字符串

count : 匹配的最大替换次数

flags : 正则表达式使用时的控制标记

>>> import re

>>> re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT100081 TSU100084')

'BIT:zipcode TSU:zipcode'

compile()

将正则表达式的字符串形式编译成正则表达式对象

语法:

regex = re.compile(pattern, flags=0)

输入参数:

pattern : 正则表达式的字符串或原生字符串表示

flags : 正则表达式使用时的控制标记

re库的另一种等价用法

函数式用法:一次性操作

>>> m = re.search(r'[1-9]\d{5}', 'BIT 100081')

面向对象用法:编译后的多次操作

>>> regex = re.compile(r'[1-9]\d{5}')

>>> rst = regex.search('BIT 100081')

re库的match对象

Match对象是一次匹配的结果,包含匹配的很多信息

match对象的属性

属性 说明

.string 待匹配的文本

.re 匹配时使用的patter对象(正则表达式)

.pos 正则表达式搜索文本的开始位置

.endpos 正则表达式搜索文本的结束位置

match对象的方法

方法 说明

.group(0) 获得匹配后的字符串

.start() 匹配字符串在原始字符串的开始位置

.end() 匹配字符串在原始字符串的结束位置

.span() 返回(.start(), .end())

re库的贪婪匹配和最小匹配

贪婪匹配

Re库默认采用贪婪匹配,即输出匹配最长的子串

>>> match = re.search(r'PY.*N', 'PYANBNCNDN')

>>> match.group(0)

'PYANBNCNDN'

最小匹配

操作符 说明

*? 前一个字符0次或无限次扩展,最小匹配

+? 前一个字符1次或无限次扩展,最小匹配

?? 前一个字符0次或1次扩展,最小匹配

{m,n}? 扩展前一个字符m至n次(含n),最小匹配

参考

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