Python 正则表达re模块之findall()详解

目录

一、re.findall函数介绍

它在re.py中有定义：

  def findall(pattern, string, flags=0):

"""Return a list of all non-overlapping matches in the string.

If one or more capturing groups are present in the pattern, return
a list of groups; this will be a list of tuples if the pattern
has more than one group.

Empty matches are included in the result."""

return _compile(pattern, flags).findall(string)

返回string中所有与pattern匹配的全部字符串,返回形式为数组。
findall()函数的两种表示形式
import re
kk = re.compile(r’\d+’)
kk.findall(‘one1two2three3four4’)
#[1,2,3,4]

#注意此处findall()的用法，可传两个参数;
kk = re.compile(r’\d+’)
re.findall(kk,“one123”)
#[1,2,3]

二、代码如下

后面会讲解代码里的各个部分，先列出来~
import re
str = ‘aabbabaabbaa’

#一个"."就是匹配除 \n (换行符)以外的任意一个字符
print(re.findall(r’a.b’,str))#[‘aab’, ‘aab’]

#前面的字符出现0次或以上
print(re.findall(r’ab’,str))#[‘aab’, ‘b’, ‘ab’, ‘aab’, ‘b’]

#贪婪，匹配从.*前面为开始到后面为结束的所有内容
print(re.findall(r’a.*b’,str))#[‘aabbabaabb’]

#非贪婪，遇到开始和结束就进行截取，因此截取多次符合的结果，中间没有字符也会被截取
print(re.findall(r’a.*?b’,str))#[‘aab’, ‘ab’, ‘aab’]

#非贪婪，与上面一样，只是与上面的相比多了一个括号，只保留括号的内容
print(re.findall(r’a(.*?)b’,str))#[‘a’, ‘’, ‘a’]

str = ‘’‘aabbab
aabbaa
bb’’’ #后面多加了2个b

#没有把最后一个换行的aab算进来
print(re.findall(r’a.*?b’,str))#[‘aab’, ‘ab’, ‘aab’]

#re.S不会对\n进行中断
print(re.findall(r’a.*?b’,str,re.S))#[‘aab’, ‘ab’, ‘aab’, ‘aa\n b’]

三、re.findall中正则表达式(.*?)

字符串是
str = ‘aabbabaabbaa’

1. 符号 . 就 是匹配除 \n (换行符)以外的任意一个字符
   print(re.findall(r’a.b’,str))
   #[‘aab’, ‘aab’]
   2.符号 * 前面的字符出现0次或以上
   print(re.findall(r’ab’,str))
   #[‘aab’, ‘b’, ‘ab’, ‘aab’, ‘b’]
   3.符号. 贪婪，匹配从.前面为开始到后面为结束的所有内容
   print(re.findall(r’a.b’,str))
   #[‘aabbabaabb’]
   4.符号.? 非贪婪，遇到开始和结束就进行截取，因此截取多次符合的结果，中间没有字符也会被截取
   print(re.findall(r’a.?b’,str))
   #[‘aab’, ‘ab’, ‘aab’]
   5.符号(.?) 非贪婪，与上面一样，只是与上面的相比多了一个括号，只保留括号的内容
   print(re.findall(r’a(.?)b’,str))
   #[‘a’, ‘’, ‘a’]
   关于带括号与不带括号的区别
   import re

string=“abcdefg acbdgef abcdgfe cadbgfe”

#不带括号
regex=re.compile("((\w+)\s+\w+)")
print(regex.findall(string))
#输出：[(‘abcdefg acbdgef’, ‘abcdefg’), (‘abcdgfe cadbgfe’, ‘abcdgfe’)]

regex1=re.compile("(\w+)\s+\w+")
print(regex1.findall(string))
#输出：[‘abcdefg’, ‘abcdgfe’]

regex2=re.compile("\w+\s+\w+")
print(regex2.findall(string))
#输出：[‘abcdefg acbdgef’, ‘abcdgfe cadbgfe’]
第一个 regex 中带有2个括号，其输出list 中包含2个 tuple
第二个 regex 中带有1个括号，其输出内容是括号匹配到的内容，而不是整个表达式所匹配到的结果。
第三个 regex 中不带括号,其输出的内容就是整个表达式所匹配到的内容。
实际上这并不是python特有的，这是正则所特有的 ， 任何一门高级语言使用正则都满足这个特点：有括号时只能匹配到括号中的内容，没有括号【相当于在最外层增加了一个括号】。在正则里面 “()” 代表的是分组的意思，一个括号代表一个分组，你只能匹配到 “()” 中的内容。

四、re.findall中参数re.S的意义

1.字符串变为（后面多加了2个b）

str = ‘’‘aabbab
aabbaa
bb’’’

2.参数无re.S，没有把最后一个换行的aab算进来

print(re.findall(r’a.*?b’,str))
#[‘aab’, ‘ab’, ‘aab’]

3.参数有re.S，不会对\n进行中断

print(re.findall(r’a.*?b’,str,re.S))
#[‘aab’, ‘ab’, ‘aab’, ‘aa\n b’]

一个随机切换user_agent的第三方python库：my_fake_useragent
因为my_fake_useragent 是第三方，所以需要自己进行安装。
不用担心，它没有任何依赖或者附加环境，只安装它自己就行。
方法1：
pycharm传统安装方式。
方法2：
pip install …
fake_useragent 和 my_fake_useragent 其实是一个东西。
使用：这里只列举两个最简单的方式去调用。

#-*- coding: utf-8 -*-

import my_fake_useragent as ua

if __name__ == '__main__':
    user_agent = ua.UserAgent()

    # 方法1
    # 随机获取一个user-agent，每次获取的都不一样
    for _ in range(10):
        print(user_agent.random())

    # 方法2
    # user_agent.get_useragent_list()： 返回一个user-agent的列表
    for index, each_useragent in enumerate(user_agent.get_useragent_list()):
        print(index, ': ', each_useragent)

既然说到了user_agent，那就再多说一点。
乍看user agent 时，只觉得它是一串乱七八糟的字符串，其实包含的内容还是挺多的。中文名为用户代理（区别于爬虫时使用的代理ip），简称UA，是一个特殊字符串头，使得服务器能够识别客户使用的操系统及版本、CPU类型、浏览器及版本、浏览器渲染引擎、浏览器语言等。
一些网站常常通过 UA 来给不同的操作系统、不同的浏览器发送不同的页面。
UA字串的标准格式：
浏览器标识（操作系统标识；加密等级标识；浏览器语言）渲染引擎标识 版本信息
下面列举 UA 中包含的字符串信息
操作系统标识
FreeBSD
X11; FreeBSD (version no.) i386
X11; FreeBSD (version no.) AMD64
Linux
X11; Linux ppc
X11; Linux ppc64
X11; Linux i686
X11; Linux x86_64
Mac
Macintosh; PPC Mac OS X
Macintosh; Intel Mac OS X
Solaris
X11; SunOS i86pc
X11; SunOS sun4u
Windows:
Windows NT 10.0 对应操作系统windows 10
windows NT 6.2 对应操作系统 windows 8
Windows NT 6.1 对应操作系统 windows 7
Windows NT 6.0 对应操作系统 windows vista
Windows NT 5.2 对应操作系统 windows 2003
Windows NT 5.1 对应操作系统 windows xp
Windows NT 5.0 对应操作系统 windows 2000
Windows ME
Windows 98
加密等级标识
N: 表示无安全加密
I: 表示弱安全加密
U: 表示强安全加密
浏览器语言
在首选项 > 常规 > 语言中指定的语言
渲染引擎
浏览器 使用 Presto 渲染引擎，格式为： Presto/版本号
版本信息
显示 浏览器 真实版本信息，格式为： Version/版本号

用这些信息去刚才的python代码输出中去对照，基本都能找到对应的信息。说这些，其实是python爬虫面试过程中可能会被问到的一个点，虽然是个冷门的知识点，不过了解一下也好。