爬虫---正则表达式、re模块

活动地址：CSDN21天学习挑战赛

 目录

一、正则表达式

        元字符:具有固定含义的特殊符号

        量词：控制前面的元字符出现的次数

二、re模块

---

一、正则表达式

Regular Expression,正则表达式，一种使用表达式的方式对字特串进行匹配的语法规则；
我们抓取到的网页源代码本质上就是一个超长的字符串，想从里面提取内容用正则再合适不过了；

• 正则的优点速度快;效率高;准确性高；
• 正则的缺点新手上手难度有点儿高；

不过只要掌握了正则编写的逻辑关系，写出一个提取页面内容的正则其实并不复杂；
正则的语法:使用元字符进行排列组合用来匹配字符串。

在线测试正则表达式：https://46ol. aschina.net/regexhttps://regex101.com/

元字符:具有固定含义的特殊符号

.	匹配除换行符以外的任意字符
\w	匹配字母、数字、下划线
\d	匹配数字
\s	匹配任意的空白符
\n	匹配一个换行符
\t	匹配一个制表符
^	匹配字符串的开始
$	匹配字符串的结束
\W	匹配非字符串、数字、下划线
\D	匹配非数字
\S	匹配非空白符
a|b	匹配字符a或b
( )	匹配括号内的表达式，也表示一个组
[...]	匹配字符组中的字符
[^...]	匹配除了字符组中字符的所有字符

量词：控制前面的元字符出现的次数

*	重复零次或更多次
+	重复一次或更多次
？	重复零次或一次
{n}	重复n次
{n，}	重复n次或更多次
{n，m}	重复n到m次

贪婪匹配和惰性匹配

.*	贪婪匹配
.*?	惰性匹配

二、re模块

一定不要忘记安装与导入re库哦！

1、re.match(pattern, string, flags=0)

re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

• pattern： 匹配的正则表达式。
• string： 要匹配的字符串。
• flags： 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

2、re.search(pattern, string, flags=0)

re.search 扫描整个字符串并返回第一个成功的匹配；匹配成功re.search方法返回一个匹配的对象，否则返回None。

3、re.findall(pattern, string, flags=0)

在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果有多个匹配模式，则返回元组列表，如果没有找到匹配的，则返回空列表。

4、re.sub(pattern, repl, string, count=0, flags=0)

将匹配到的数据进行替换

• pattern: 正则中的模式字符串。
• repl: 替换的字符串，也可为一个函数。
• string: 要被查找替换的原始字符串。
• count: 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。
• flags: 编译时用的匹配模式，数字形式。

5、re.split(pattern, string[, maxsplit=0, flags=0])

根据匹配进行切割字符串，并返回一个列表

• maxsplit：分割次数，maxsplit=1 分割一次，默认为 0，不限制次数。

6、re.finditem(pattern, string, flags=0)

在字符串中找到正则表达式所匹配的所有子串，并返回一个迭代器，从迭代器中拿到内容需要用.group()

 7、re.compile（pattern,flags）

compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，预加载正则表达式。

更详细内容可以点击链接进行学习 http://t.csdn.cn/q8sQ2

​