python爬虫-正则表达式

import re

pattern = ‘hello_\w+’ # 表达式字符串

string = ‘Hello_world’ # 要匹配的字符串

match = re.match(pattern, string, re.I) # 匹配字符串，不区分大小写

print(match) # 输出匹配结果

string = ‘abc Hello_world’

match = re.match(pattern, string, re.I) # 匹配字符串，不区分大小写

print(match)

程序运行结果：

匹配成功后打印出匹配的数据则使用 group() 方法。

result = re.match(pattern, s) # 查看s里面是否有pattern这个数据

如果匹配成功了，就打印匹配的数据

if result:

print(result.group())

else:

print(‘没有匹配到’)

要获取匹配值的开始位置可以使用Match对象的start()方法

要获取匹配值的结束位置可以使用Match对象的end()方法

要获取匹配值匹配位置（开始位置和结束位置）的元组可以使用Match对象的span()方法

要获取匹配的字符串也可以用Match对象的string属性

import re

pattern = ‘hello_\w+’ # 模式字符串

string = ‘HELLO_world’ # 要匹配的字符串

match = re.match(pattern, string, re.I) # 匹配字符串，不区分大小写

print(‘匹配值的起始位置：’, match.start())

print(‘匹配值的结束位置：’, match.end())

print(‘匹配位置的元组：’, match.span())

print(‘要匹配的字符串：’, match.string)

print(‘匹配数据：’, match.group())

程序运行结果：

上边是示例皆在匹配以指定字符串开头的字符串，下边匹配以任意字符串开头的字符串：

import re # 导入re模块

pattern = ‘.ello’ # 表达式

match = re.match(pattern, ‘hello’) # 匹配字符串

print(match) # 打印匹配结果

match = re.match(pattern, ‘aello’) # 匹配字符串

print(match)

match = re.match(pattern, ‘6ello’) # 匹配字符串

print(match)

match = re.match(pattern, ‘ello’) # 匹配字符串

print(match)

程序运行结果：

如果想匹配多个字符串：

import re # 导入re模块

pattern = ‘hello|我’ # 表达式,表示需要匹配“hello”或“我”开头的字符串

match = re.match(pattern, ‘hello word’) # 匹配字符串

print(match) # 打印匹配结果

match = re.match(pattern, ‘我爱Python’) # 匹配字符串

print(match)

程序运行结果：

如果想要获取匹配的部分内容

import re # 导入re模块

表达式，“hello”开头，“\s”中间空格，“（\w+）”分组后面所有字母、数字以及下划线数据

pattern = ‘hello\s(\w+)( abc)’

match = re.match(pattern, ‘hello world abc’) # 匹配字符串

print(match) # 打印匹配结果

print(match.group()) # 打印所有匹配内容

print(match.group(0))

print(match.group(1)) # 打印分组指定内容

print(match.group(2))

程序运行结果：

从中可以看出，group()方法默认参数为0，默认输出匹配的所有内容，如果参数为1，则输出第一个分组匹配到的部分，参数为2则输出第二个分组匹配到的部分，以此类推。（不同于一般的索引从0开始的规则）

匹配指定首位的字符串

import re # 导入re模块

表达式,h开头，n$表示n结尾

pattern = ‘h\w+\s[\u4e00-\u9fa5]+\s\w+n$’

match = re.match(pattern, ‘hello 我爱 Python’) # 匹配字符串

print(match) # 打印匹配结果

print(match.group()) # 打印所有匹配内容

程序运行结果：

__

3.使用search()进行匹配

======================================================================================

search()方法用于在整个字符串中搜索第一个匹配的值，如果在第一匹配位置匹配成功，则返回Match对象，否则返回None。

re.search(pattern, string, [flags])

• pattern 模板字符串

• string 要匹配的字符串

• flag 可选参数，修饰符

获取第一匹配值

import re

pattern = ‘hello_\w+’ # 模式字符串

string = ‘HELLO_world’ # 要匹配的字符串

match = re.search(pattern, string, re.I) # 搜索字符串，不区分大小写

print(match) # 输出匹配结果

string = ‘abcHELLO_world’

match = re.search(pattern, string, re.I) # 搜索字符串，不区分大小写

print(match) # 输出匹配结果

程序运行结果：

可选匹配

（即针对有的部分可有可无的情况）

表达式’(\d?)+hello\s?([\u4e00-\u9fa5]?)+'分析：

?表示0次或1次，+表示一次或多次，?+在一起表示0次到任意次。

(\d?)+则表示多个数字可有可无，

\s?表示0个或1个空格，

([\u4e00-\u9fa5]?)+多个汉字可有可无

import re # 导入re模块

pattern = ‘(\d?)+hello\s?([\u4e00-\u9fa5]?)+’

match = re.search(pattern, ‘01hello’)

print(match)

match = re.search(pattern, ‘hello’)

print(match)

match = re.search(pattern, 'hello ')

print(match)

match = re.search(pattern, ‘hello 第一’)

print(match)

match = re.search(pattern, ‘ello 第一’)

print(match)

程序运行结果：

匹配字符串边界

\b用于匹配字符串边界，分界符通常是空格，标点符号或者换行，以及要匹配的字符串本身的两端的两个位置即便没有任何符号但也是边界

import re

pattern = r’\bhe\b’

match = re.search(pattern, ‘hello’) # 无右边界，不匹配

print(match)

match = re.search(pattern, ‘he llo’) # 左边是字符串最左端，右边是空格，匹配成功

print(match)

match = re.search(pattern, ’ hello ') # 左边是最左端，右边不是边界，不匹配

print(match)

match = re.search(pattern, ‘he.llo’) # 左边是最左端，右边是一个点符号，匹配成功

print(match)

程序运行结果：

__

4.使用finddall()进行匹配

========================================================================================

findall()方法用于在整个字符串中搜索符合正则表达式的字符串，并以列表的方式返回。如如果匹配不成功则返回空列表。

re.finddall(pattern, string, [flags])

参数意义同上。

4.1位置匹配

---

import re

pattern = ‘hello_\w+’

string = ‘HELLO_world’

match = re.findall(pattern, string, re.I)

print(match)

string = ‘abcHELLO_world’

match = re.findall(pattern, string)

print(match)

程序运行结果：

4.2贪婪匹配

---

python重复匹配时，正则总是尽可能多地匹配，默认是贪婪的。

• 常见的： .*

“.” 点星 是一种万能的匹配方式，点匹配除换行符以外的任意字符， 表示0次或任意次。

import re

pattern = ‘https://.*/’

match = re.findall(pattern, ‘https://www.hao123.com/’)

print(match)

程序运行结果：

如果想单独获得点星部分的内容，则只需要给点星加个括号。使用(.*)的方式进行匹配。

import re

pattern = ‘https://(.*)/’

match = re.findall(pattern, ‘https://www.hao123.com/’)

print(match)

爬虫中经常用到的例如，

.*<\div>

4.3非贪婪匹配

---

非贪婪匹配需要用到问号。

• .*?

需求：“匹配[‘123’]

import re

pattern = 'https://.(\d+).com/’ # 表达式，“.”获取www.hao123.com

match = re.findall(pattern, ‘https://www.hao123.com/’)

print(match)

程序运行结果只匹配了一个[‘3’]，没有满足需求。

因为点星会尽可能多的匹配，点星匹配了www.hao12，把3留给了(\d+)匹配。

想要得到[‘123’]，需要把点星换成点星问（.*?）

import re

pattern = ‘https://.*?(\d+).com/’

match = re.findall(pattern,‘https://www.hao123.com/’)

print(match) xc

程序运行结果：

点星问表示尽可能少的匹配，所以点星问匹配了www.hao，把123留给了(\d+)匹配。

需要注意的是，

如果需要匹配的结果在字符串尾部，非贪婪匹配可能匹配不到任何内容。示例：

import re

pattern = ‘https://(.*?)’

match = re.findall(pattern, ‘https://www.hao123.com/’)

print(match)

pattern = ‘https://(.*)’

match = re.findall(pattern, ‘https://www.hao123.com/’)

print(match)

程序运行结果：

（因为需要匹配的尽可能的少，所以匹配0个亦可满足。）

爬虫中经常用到的例如，

.*?<\div>

---

5.re模块其他常用方法

==================================================================================

除了match()，search()，findall()，re模块还有如下常用方法：

5.1 compile()

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！**

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

[外链图片转存中…(img-bHUtT9J0-1713676053750)]

[外链图片转存中…(img-L73IGnr7-1713676053751)]

[外链图片转存中…(img-qiL1s2at-1713676053752)]

[外链图片转存中…(img-zKHpIYor-1713676053753)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）