【python爬虫学习笔记】06 正则表达式以及Re库入门

正则表达式及使用

正则表达式是用来简洁表达一组字符串的表达式
优势：简洁
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

正则表达式在文本处理中的应用

表达文本类型的特征(病毒、入侵等)
同时查找或替换一组字符串
匹配字符串的部分或全部等

正则表达式的常用操作符

实例

正则表达式	对应字符串
P(Y|YT|YTH|YTHO)?N	‘PN’,‘PYN’,‘PYTN’,‘PYTHN’,‘PYTHON’
PYTHON+	‘PYTHON’,‘PYTHONN’,‘PYTHONNN’…
PY[TH]ON	‘PYTHON’,‘PYTHON’
PY[^TH]?ON	‘PYON’,‘PYaON’,‘PYbON’,‘PYcON’…
^[A-Za-z]+$	由26个字母组成的字符串
^[A-Za-z0-9]+$	由26个字母和数字组成的字符串
^-?\d+$	整数形式的字符串
^[0-9][1-9][0-9]$	正整数形式的字符串
{1-9}\d{5}	中国境内邮政编码，6位
{\u4e00-\u9fa5}	匹配中文字符
\d{3}-\d{8}|\d{4}-\d{7}	国内电话号码，010-68913536

Re库的基本使用

正则表达式的表示类型

1. raw string类型(原生字符串类型)
   re库采用raw string类型表示正则表达式，表示为：r’text’
   例如：r’{1-9}\d{5}’
2. string类型，更繁琐
   ‘{1-9}\d{5}’

Re库主要功能函数的详细介绍

1. re.search(pattern,string,flags=0)
   在一个字符串搜索匹配正则表达式的第一个位置，返回match对象
   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
   常用标记：

标记	解释
re.I	忽略正则表达式的大小写,[A-Z]能够匹配小写字符
re.M	正则表达式中的^操作符能够将给定字符串的每行当做匹配开始
re.S	正则表达式中的.操作符能够匹配所有字符，默认匹配除行外的所有字符

2. re.match(pattern,string,flags=0)
   从一个字符串的开始位置起匹配正则表达式，返回match对象
3. re.findall(pattern,string,flags=0)
   搜索字符串，以列表类型返回全部能匹配的子串
4. re.split(pattern,string,maxsplit=0,flags=0)
   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
   maxsplit:最大分割数，剩余部分作为最后一个元素输出
5. re.sub(pattern,repl,string,count=0,flags=0)
   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
   repl:替换匹配字符串的字符串
   count:匹配的最大替换次数
6. regex = re.compile(pattern,flags=0)
   将正则表达式的字符串形式编译成正则表达式对象

Re库的Match对象

Match对象的属性	属性描述
.string	待匹配的文本
.re	匹配时使用的pattern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	方法描述
.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

1. 贪婪匹配

>>>match = re.search(r'PY.*N','PYANBNCNDN')
>>>>match.group(0)

输出：‘PYANBNCNDN’

2. 最小匹配

>>>match = re.search(r'PY.*?N','PYANBNCNDN')
>>>match.group(0)

输出：‘PYAN’

3. 最小匹配操作符

最小匹配操作符	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