Python初学者笔记(三):用白话讲“正则表达式”入门(下篇),看不懂算我输!

上篇主要是讲了re模块的四个功能,就是四种从“大串”字符中找“小串”字符的方法,找到后就可以使用了。接下来我们再看看如何学习正则表达式(Regular Expression),又称规则表达式。运用好这些规则,可以查找到任何我们想查找到的内容,比如文字,图片网址,邮件地址。

如果学过DOS系统,那里面会有一个概念,叫“通配符”,大概就是“?”代表一个字母,“*”星号代表多个字母,规则很简单。在Python中的这种规则相对复杂的多,因为Python的功能也比较多,要处理的问题也相对复杂。“正则”这个东西单个功能看起来都很容易懂,就是组合在一起就容易让人迷糊了。

学习编程也好,学习其它东西也好,大体只有三种方法:教程法、案例法、字典法。

  1. 教程法:就像我们上小学,上中学,上大学一样,按教材一步一步循序渐进。
  2. 案例法:就是解决一个具体的问题的案例,我们看别人的解题思路,再来解决我们的问题。
  3. 字典法:遇到不认识的字,上字典里去找,多用于前两种方法的补充。

下面,我们还是用我比较喜欢的案例法,现在我们有一个最简单的网页和网页源码,如下图:


网上讲解演示案例有两种方法,一种是用网页文档,一种是用自定义的文字串。

第一种:用文档网页演示的代码,例如:

import urllib.request
import re

link = urllib.request.urlopen("file:/C:/Users/JeffersLi/Desktop/try.html")
html_doc = link.read().decode('gb2312')
biaoti = re.findall("<title>(.+)</title>", html_doc)
for bt in biaoti:
    print(bt)
wangzhi = re.findall(r"(?<=href=\").+(?=\")", html_doc)
for wz in wangzhi:
    print(wz)

第二种:用自定义的文字串textdemo演示的代码,例如:

import re

textdemo = '''
<html>
  <head>
    <title>网页抓取教程</title>
  </head>
  <body>
    <h1>第一章</h1>
    <a href="http://blog.csdn.net/qq_18495537/article/details/79024519">正则表达式(上)</a>
    <p>正则表达式(中)</p>
    <p>正则表达式(下)</p>
  </body>
</html>
''' 
biaoti=re.findall("<title>(.+)</title>", textdemo)
for bt in biaoti:
    print(bt)
    
wangzhi = re.findall(r"(?<=href=\").+(?=\")", textdemo)
for wz in wangzhi:
    print(wz)
以上两种代码,都是为了方便教学使用,它们输出的的结果是一样的,都是:

网页抓取教程
http://blog.csdn.net/qq_18495537/article/details/79024519
两段程序中都是为了找大字符串里的“标题”和“网址”,关键代码用的就是“正则表达式”。
一、基本用法:

现在以第二段代码中的找到标题(biaoti)为例:

biaoti=re.findall("<title>(.+)</title>", textdemo)
这段话的意思,就是在textdemo这段话里,找到开头是"<title>",结尾是“</title>”,中间是什么都行,因为“+”代表“找前一个字符1次或无限次”,"(.+)"两边的括号,表示我只要<title>和</title>中间的内容,如果不带(),就会返回:<title>网页抓取教程</title>

二、组合用法(也叫特殊构造)

下一句代码,找到网址(wangzhi):
wangzhi = re.findall(r"(?<=href=\").+(?=\")", textdemo)
看起来比上一句复杂,其实也可以用上段内容的格式来完成,但这还是基本用法,如:
wangzhi = re.findall("href=\"(.+)\"", html_doc)
这样就不用讲了。但是有三个地方不一样,
1、使用了小写字母r,如果在PyCharm这个软件里写代码,可以看到有没有r,两个\的颜色不一样。这个是区分字符是不是“转意符”,接下来,我们再谈谈。

2、“转意符”,就是使后一个字符改为变原来的意思。比如英文缩写‘或者系统\,比如下边的两个案例。
错误例1:print('It's your name.')
错误例1返回:SyntaxError: invalid syntax

更正为:print('It\'s your name.')
更正则返回:It's your name.

备注:这个案例现在也可以写为双引号:print("It's your name.")

错误例2:open('c:\try.txt')
错误例2返回:Invalid argument: 'c:\try.txt',即非法参数。
更正为:open('c:\\try.txt')
更正则返回:No such file or directory: 'c:\\try.txt',即文件没找到。
3、第二种方法,使用了所谓的“特殊构造”方法,其实就是约定好的一组符号。就是这两:

(?<=)(?<=加你要找的字之前的那几个字)

(?=)(?=加你要找的字之后的那几个字)

比如:
import re

X = re.findall("(?<=张三).+(?=王二麻子)", "张三李四王二麻子")
print(X)
返回:
['李四']
以上的内容,如果能做一下实验,效果会更好。现在我们只是掌握了正则表达式的基本用法,如果想提高效率,精确匹配,还需要更详细的学习。最后,祝大家在编程学习的路上一帆风顺!

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