python爬虫的re库(正则表达式匹配)

re库是python中自带的一个库,不需要外部导入。

它主要是支持正则表达式匹配。

下面来说一下其主要功能函数:

函数说明
re.search()在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象。
re.match()在一个字符串的开始位置起匹配表达式,返回match对象
re.findall()搜索字符串,以列表类型返回全部能匹配的子串
re.split()将一个字符串按照正则表达式的匹配结果进行分割,返回列表类型
re.finditer()搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象
re.sub()在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串

正则表达式使用标记:

常用标记说明
re.I re.IGNORECASE忽略正则表达式的大小写 【A-Z】能够匹配小写字符
re.M re.MULITILINE正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
re.S re.DOTALL正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符
import re
match = re.search(r'[1-9]\d{5}','BIT 100081')
if match:
    print(match.group(0))

match2 = re.match(r'[1-9]\d{5}','100081 BIT')
if match2:
    print(match2.group(0))

match3 = re.match(r'[1-9]\d{5}', 'BIT 100081')
if match3:
    print(match3.group(0))

返回结果:

100081
100081

Process finished with exit code 0

第三个不返回 结果 因为他是从第一个开始匹配 很明显第一个字母B和它的正则表达式不匹配,所以结果为空,那么if判断之后 将不会输出。

import re

ls = re.findall(r'[1-9]\d{5}', 'BIT100081 FSABIT100085')
if ls:
    print(ls)

ls = re.split(r'[1-9]\d{5}', 'BIT100081 FSABIT100085')
if ls:
    print(ls)
ls = re.split(r'[1-9]\d{5}', 'BIT100081 FSABIT100085',maxsplit=1)
if ls:
    print(ls)

for m in re.finditer(r'[1-9]\d{5}','BIT100081 FSABIT100085'):
    if m:
        print(m.group(0))

ls = re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT100081 FSABIT100085')
print(ls)

输出结果:

['100081', '100085']
['BIT', ' FSABIT', '']
['BIT', ' FSABIT100085']
100081
100085
BIT:zipcode FSABIT:zipcode

Process finished with exit code 0
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python 爬虫中,正则表达式是非常常用的工具。它可以帮助我们从网页中抓取需要的信息,过滤掉不需要的内容,提高爬取效率和准确性。以下是一些常用的正则表达式应用场景: 1. 匹配 URL 链接:可以使用正则表达式提取出页面中的所有链接,便于进一步抓取和分析页面内容。 2. 匹配特定文本:如果我们只需要网页中某个特定文本,可以使用正则表达式匹配并提取。 3. 过滤 HTML 标签:网页中的 HTML 标签对于我们的数据分析来说是无用的,可以使用正则表达式去除标签。 4. 匹配时间日期:有些网站会包含时间日期等信息,可以使用正则表达式来提取这些信息。 Python 中可以使用 re 模块来实现正则表达式的应用。具体使用方法可以参考以下示例代码: ```python import re import requests # 抓取网页内容 r = requests.get('https://www.example.com') html = r.content.decode() # 匹配 URL 链接 urls = re.findall('<a href="(.*?)".*?>.*?</a>', html) print(urls) # 匹配特定文本 text = re.search('<title>(.*?)</title>', html).group(1) print(text) # 过滤 HTML 标签 clean = re.compile('<.*?>') content = re.sub(clean, '', html) print(content) # 匹配时间日期 dates = re.findall('\d{4}-\d{2}-\d{2}', html) print(dates) ``` 上述代码演示了如何使用正则表达式抓取网页内容并进行一些简单的数据处理。需要注意的是,在实际应用中,正则表达式应该根据具体情况进行调整和优化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值