数据提取之正则
学习目标
掌握 正则表达式的常见语法
掌握 re模块的常见用法
掌握 原始字符串r的用法
1 什么是正则表达式
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。
2 正则表达式的常见语法
知识点
正则中的字符
正则中的预定义字符集
正则中的数量词
正则的语法很多,不能够全部复习,对于其他的语法,可以临时查阅资料,比如:表示或还能使用|
练习: 下面的输出是什么?
string_a = '<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">\n\t\t<meta http-equiv="content-type" content="text/html;charset=utf-8">\n\t\t<meta content="always" name="referrer">\n <meta name="theme-color" content="#2932e1">'
ret = re.findall("<.*>",string_a)
print(ret)
3 re模块的常见方法
pattern.match(从头找一个)
pattern.search(找一个)
pattern.findall(找所有)
返回一个列表,没有就是空列表
re.findall("\d","chuan1zhi2") >> ["1","2"]
pattern.sub(替换)
re.sub("\d","_","chuan1zhi2") >> ["chuan_zhi_"]
re.compile(编译)
返回一个模型P,具有和re一样的方法,但是传递的参数不同
匹配模式需要传到compile中
p = re.compile("\d",re.S)
p.findall(“chuan1zhi2”)
原始字符串定义(raw string):所有的字符串都是直接按照字面的意思来使用,没有转义特殊或不能打印的字符,原始字符串往往针对特殊字符而言。例如"\n"的原始字符串就是"\n"
原始字符串的长度
正则中原始字符串的使用
上面的现象说明什么?
正则中使用原始字符串r能够忽略转义符号带来的影响,加上原始字符串r之后,待匹配的字符串中有多少个\,正则中就添加多少个\即可
windows中原始字符串r的使用
5 匹配中文
在某些情况下,我们想匹配文本中的汉字,有一点需要注意的是,中文的 unicode 编码范围 主要在 [u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。
假设现在想把字符串 title = u’你好,hello,世界’ 中的中文提取出来,可以这么做:
import re
title = u'你好,hello,世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print result
# 注意点: 中文匹配 需要设置unicode字符才可以匹配
6 练习
re.compile该如何使用?
如何非贪婪的去匹配内容?
re.findall(r“a.bc”,”a\nbc”,re.DOTALL)和re.findall(r“a(.)bc”,”a\nbc”,re.DOTALL)的区别?
不分组时匹配的是全部,分组后匹配的是组内的内容
7 动手
通过正则匹配果壳问答上面的精彩回答的地址和标题https://www.guokr.com/ask/highlight/?page=1 思路:
1.寻找url地址的规律
2.寻找数据的位置
获取36kr上的所有新闻:http://36kr.com/
8 ### 小结
熟悉正则表达式中字符:\d,\D,\w,\W,,.等
熟悉正则表达式中量词:*,+,?,{}等
熟悉正则表达式中范围:[‘值1’,‘值2’]
re模块的常见方法:match,search,find,findall)
原始字符串r的用法(保持原先字符串中所有的字符)
匹配中文的操作[u4e00-u9fa5],中文比配需要注意:汉字和正则表达式都需要是unicode字符操作