文章目录
正则表达式简介
为什么要学正则表达式
实际上爬虫一共就四个主要步骤:
- 明确目标 (要知道你准备在哪个范围或者网站去搜索)
- 爬 (将所有的网站的内容全部爬下来)
- 取 (去掉对我们没用处的数据)
- 处理数据(按照我们想要的方式存储和使用)
什么是正则表达式
正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合, 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种过滤逻辑。
正则表达式的作用
给定的字符串是否符合正则表达式的过滤逻辑(“匹配”);
通过正则表达式,从文本字符串中获取我们想要的特定部分(“过滤”)。
正则表达式匹配规则
案例
1. 北美电话的常用格式:(eg: 2703877865)
- 前3位: 第一位是区号以2~9开头 , 第2位是0~8, 第三位数字可任意;
- 中间三位数字:第一位是交换机号, 以2~9开头, 后面两位任意
- 最后四位数字: 数字不做限制;
# 匹配北美电话
# 前三位:第一位区号2~9开头,第二位0~8, 第三位任意
# 中间三位:第一位交换机号2~9开头,后两位任意
# 最后四位:任意
# \(? \)?区号可以用()括起来,[-\.\s]?中间可以用. - ' '分隔开
patternObj2 = re.compile(r'\(?[2-9][0-8]\d\)?[-\.\s]?[2-9]\d{2}[-\.\s]?\d{4}')
text2 = '2234567890 223-456-7890 (223) 456 7890 223.456.7890 223 456 7890'
result = patternObj2.findall(text2)
print(result)
2. 匹配所有的qq邮箱, username必须是字母数字或者下划线
# 匹配qq邮箱,2~12位数字字母下划线
patternObj1 = re.compile(r'\s\w{2,12}@qq\.com')
text1 = ' dwadwada@qq.com hello@qq.com dawdwafayfgtayufgaufgfyua@qq.com'
result = patternObj1.findall(text1)
print(result)
re模块
正则表达式使用 对特殊字符进行转义,所以如果我们要使用原始字符串,只需加一个 r 前缀,
e.g. r’chuanzhiboke\t.\tpython’
re 模块一般使用步骤
-
使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象
-
通过 Pattern 对象提供的一系列方法对文本进行匹配查找,获得匹配结果,一个 Match 对象。
-
最后使用 Match 对象提供的属性和方法获得信息,根据需要进行其他的操作
compile 函数
compile 函数用于编译正则表达式,生成一个 Pattern 对象,它的一般使用形式如下:
import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')
Pattern 对象
正则表达式编译成 Pattern 对象, 可以利用 pattern 的一系列方法对文本进行匹配查找了。
Pattern 对象的一些常用方法主要有:
match 方法:从起始位置开始查找,一次匹配
search 方法:从任何位置开始查找,一次匹配
findall 方法:全部匹配,返回列表
finditer 方法:全部匹配,返回迭代器
split 方法:分割字符串,返回列表
sub 方法:替换
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。它的一般使用形式如下:
- string 待匹配的字符串
- pos 字符串的起始位置, 默认值是 0
- endpos 字符串的终点位置, 默认值是 len (字符串长度)
Match 对象
-
group([group1, …]) 方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配的子串时,可直接使用 group() 或 group(0);
-
start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认 值为 0;
-
end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数 默认值为 0;
-
span([group]) 方法返回 (start(group), end(group))。
search 方法
search 方法用于查找字符串的任何位置,它也是一次匹配,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,它的一般使用形式如下:
当匹配成功时,返回一个 Match 对象,如果没有匹配上,则返回 None。
findall 方法与finditer 方法
split 方法
split 方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:
maxsplit 指定最大分割次数,不指定将全部分割
sub 方法
sub 方法用于替换。它的使用形式如下:
repl 可以是字符串也可以是一个函数:
1). 是字符串,使用 repl 去替换字符串每一个匹配的子串,并返回替换后的字符串,
2). 如果 repl 是函数,这个方法应当只接受一个参数(Match 对象),并返回一个字符串用于替换.
count 用于指定最多替换次数,不指定时全部替换。
匹配中文
贪婪模式与非贪婪模式:abbbc
- 贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配 ( .* );
使用贪婪的数量词的正则表达式 ab* ,匹配结果: abbb。
*决定了尽可能多匹配 b,所以a后面所有的 b 都出现了。 - 非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配 ( ? );
使用非贪婪的数量词的正则表达式 ab*? ,匹配结果: a。 .*? .+?
即使前面有 * ,但是 ? 决定了尽可能少匹配 b,所以没有 b。 - Python里数量词默认是贪婪的。