由于爬虫的学习之路还远没有结束,所以推出新的系列——爬虫进阶,希望大家多多支持!
概述
什么是正则表达式呢?简单来说就是描述字符串排列的一系列规则。正则表达式主要用于字符串的匹配,在搜索特定信息时,正则表达式就能大显神通了。在python库中我们需要导入re库来实现正则表达式的功能
原子
原子是正则表达式最基本的组成单位,伟哥正则表达式中必须包含至少一个原子,原子一般包括下面几类:
- 普通字符 : 包括数字,大小写字母,下划线
- 非打印字符 : 用于控制格式的字符,如“\n”
- 通用字符 : 即一个原子可以匹配一类字符,大致有以下几种:
\w 匹配任意一个数字,字母和下划线
\W 匹配除数字,字母,下划线以外的任意字符
\d 匹配一个十进制数
\D 匹配除十进制数以外的任意字符
\s 匹配任意一个空白字符
\S 匹配除空白字符以外的任意字符
相信大家已经找到规律了!是的我们只需要记住小写通用字符代表的含义,那么它对应的大写字符就是取反
- 原子表: 使用原子表来定义一组原子,匹配时只需要满足任意一个存在于原子表中的原子即可,我们使用中括号[ ] 来表示原子表,比如[xyz]就是匹配x, y, z中任意一个字符
元字符
正则表达式中具有特殊含义的字符,常用的有下面几种
. 匹配除换行符\n以外的任意字符
^ 匹配字符串的开始位置
$ 匹配字符串的结束位置
* 匹配0次,1或多次前面的原子
? 匹配0次,或1次前面的原子
+ 匹配1次,或多次前面的原子
{n} 前面的原子恰好出现n次
{n,} 前面的原子至少出现n次
{n,m} 前面的原子至少出现n次,最多出现m次
| 模式选择
() 模式单元
下面我们举一些例子来说明这些元字符的用法
".python."
匹配前后是一个除换行符以外的任意字符的,中间是python的字符串
"^abc"
匹配开头是abc的字符串(注意这里返回的只有abc)
"de$"
匹配结尾为de的字符串(返回的只有de)
"py.*n"
匹配开头为py,结尾为n中间为除了换行符外的任意数量的任意字符的字符串
比如python
"py.{3,}n"
匹配开头为py, 结尾为n中间至少包含三个不是换行符的任意字符,比如python
"[abc].{2}f|abc.*f"
模式选择符|
匹配前后两个模式中的一个
"(cd){1,}"
模式单元符,将小括号中的视为整体(视为一个大原子)
所以上面匹配至少一个cd(连在一起的)的字符串
模式修正
通过不改变正则表达式的情况下,通过模式修正符来使正则表达式更高匹配更多,常用的如下:
I 匹配忽略大小写
M 多行匹配
L 本地化识别匹配
U 根据UNICODE字符来解析字符
S 让.匹配任意字符
模式修正需要结合re一起使用
import re
pattern = "python"
string = "asdfpyTHon_dd"
result = re.search(pattern, string, re.I)
print(result)
这里我们导入re库,使用search来匹配字符串
这里三个参数,第一个是匹配的模式——也是就正则表达式;第二个参数是匹配的字符串;第三个是模式修正
贪婪模式和懒惰模式
从名字也可以看出,贪婪模式就是尽可能多匹配, 懒惰模式就是尽量少匹配
一般我们想要在某些字符中匹配任意的字符,我们使用“.*”这时默认使用贪婪模式, 转化为懒惰模式只需要后面加?即可
re库
这里简单介绍几个re库中常用的函数
match()
函数原型:
match(pattern, string, flag)
前两个参数是匹配的模式和字符串,最后一个是可选选项可以填上模式修改
import re
string = 'pYthondd'
pattern = 'python.'
res = re.match(pattern, string, re.I)
print(res)
输出结果:
<re.Match object; span=(0, 7), match='pYthond'>
注意match只会从头开始匹配!!!
如果改成这样:
string = 'apYthondd'
match将返回None
search()
如果我们想要在全文匹配字符串怎么办呢?我们可以使用search,具体用法跟match一样
import re
string = 'adcpYthondd'
pattern = 'python.'
res = re.search(pattern, string, re.I)
print(res)
输出结果:
<re.Match object; span=(2, 9), match='pYthond'>
compile()&findall()
这里又出现一个问题,search无法匹配多个该模式的字符串
所以我们使用find_all
string = 'ddpYthonddpythonad'
pattern = 'python.'
res = re.compile(pattern, re.I).findall(string)
print(res)
我们首先使用compile进行预编译,也就是确定匹配模式, 再使用find all来查找字符串中所有符合正则表达式的字符串
输出结果:
['pYthond', 'pythona']
# 以列表的形式返回
sub()
如果我们想要根据正则表达式来实现替换字符串的功能,我们使用sub()函数
我们先来看看函数模型
re.sub(pattern, rep, string, max)
第一个参数还是匹配模式,也就是正则表达式;第二个参数是需要替换的字符串; 第三个是总的字符串;最后一个参数是最大的替换次数
string = 'ddpythonddpythonad'
pattern = 'python.'
res = re.sub(pattern, 'aaa', string, 1)
print(res)
输出结果:
ddaaadpythonad
返回替换后的字符串,由于限制了替换次数,所以后面一个符合的字符串段没有替换
以上就是正则表达式的全部内容啦!觉得有点收获的不要忘了点赞收藏哟❤