爬虫（十）：正则表达式

正则表达式：
就是事先定义好一些特殊字符，及特定字符的组合，组成一个“规则字符串”，这个规则字符串用来表达对字符串的一个过滤逻辑

|字符| 含义 |

match 方法

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果
贪婪模式：贪婪模式尽可能多的匹配
import re
def run():
head=‘hello 1234yytttzz好w’
result=re.match("^he.*(\d+).*w$",head)
print(result.group(1))

if name == ‘main’:
run()

输出：1

非贪婪模式：贪婪模式尽可能少的匹配
import re
def run():
head=‘hello 1234yytttzz好w’
result=re.match("^he.*？(\d+).*w$",head)
print(result.group(1))

if name == ‘main’:
run()

输出：1234

匹配换行符：

import re
def run():
head=‘hello 1234yytttzz好w’
‘we23’
result=re.match("^he.*?(\d+).*23$",head,re.S)
print(result.group(1))

if name == ‘main’:
run()

re.search

扫描整个字符串并返回第一个成功的匹配（相比match更好）
例如：

import re
def run():
    head='hello 1234yytttzz好w'
    result=re.search("e.*?(\d+).*",head)
    print(result.group(1))

if __name__ == '__main__':
    run()

输出1234

re.findall

搜索字符串，以列表的形式返回全部能匹配的子串

re.sub

替换字符串中每一个匹配的子串后返回替换后的字符串

import re
def run():
    str="httm/usi1123 yu" \
        "123yy"
    result=re.sub('\d+','',str) #将数字替换为空
    print(result)

if __name__ == '__main__':
    run()

re.compile

将一个字符串编译成正则表达式，以便于复用该匹配模式

正则表达式对象

• re.matchobject
• group（）返回被re匹配的字符串
  • start（）返回匹配开始的位置
  • end（） 返回匹配结束的位置
  • span（）返回一个元组包含匹配的位置

正则表达式修饰符-可选标志

re.I：使匹配对大小写不敏感
re.L:做本地化识别匹配
re.M:多行匹配
re.S:匹配包括换行在内的多有字符
re.U:根据unicode字符集解析字符，这个标志影响\w,\W , \b,\B
re.X:通过给予你更灵活的格式，方便正则表达式写的更易理解