Python网络爬虫与信息提取
1.正则表达式
- 通用的字符串表达框架
- 简介表达一组字符串的表达式
- 针对字符串的表达“简介”和“特征”思想的工具
- 判断某字符串的特征归属
在文本处理中的应用
- 表达文本类型的特征(病毒,入侵等)
- 同时查找或替换一组字符串
- 匹配字符串的全部或部分
使用
编译:将符合正则表达式语法的字符串转换成正则表达式特征。
1.正则表达式的语法
正则表达式语法由字符和操作符构成
正则表达式的常用操作符
操作符 | 说明 | 实例 |
---|---|---|
. | 表示任何单个字符 | |
[ ] | 字符集,对单个字符给出取值范围 | [abc]表示a、b、c,[a-z]表示a到z单个字符 |
[^ ] | 非字符集,对单个字符给出排除范围 | [^abc]表示非a或b或c的单个字符 |
* | 前一个字符0次或无限次扩展 | abc*表示ab、abc、abcc、abccc等 |
+ | 前一个字符1次或无限次扩展 | abc+表示abc、abcc、abccc等 |
? | 前一个字符0次或1次扩展 | abc表示ab或者abc |
| | 左右表达式任意一个 | abc|def表示abc,def |
{m} | 扩展前一个字符m次 | ab{2}c表示abbc |
{m,n} | 扩展前一个字符m至n次(含n) | ab{1,2}c表示abc,abbc |
^ | 匹配字符开头 | ^abc表示abc且在一个字符串的开头 |
$ | 匹配字符结尾 | ^abc表示abc且在一个字符串的结尾 |
() | 分组标记,内部只能使用|操作符 | (abc)表示abc,a(bc|de)表示abc、ade |
\d | 数字,等价于[0-9] | |
\w | 字母数字下划线,等价于[A-Za-z0-9_] |
经典正则表达式实例
^[A-Za-z]+$ | 由26个字母组成的字符串 |
^[A-Za-z0-9]+$ | 由26个字母和数字组成的字符串 |
^-?\d+$ | 整数形式的字符串 |
[1-9]*[0-9][0-9]* | 正整数形式的字符串 |
[1-9]\d{5} | 中国境内邮政编码,6位 |
[\u4e00-\u9fa5] | 匹配中文字符 |
((25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.){3}(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d) | ip地址 |
2.Re库
Re库是python的标准库,主要用于字符串匹配。
正则表达式的标识类型
- raw string类型(原生字符串类型)
- string类型,更繁琐
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() | 从一个字符串的开始位置起匹配正则表达式,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 |
re.search()
re.search(pattern, string, flags=0)
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
- pattern:正则表达式的字符串或原生字符串的表示
- string:带匹配字符串
- flags=0:正则表达式使用时的控制标记
常用标记 | 说明 |
---|---|
re.IGNORECASE | 忽略正则表达式的大小写,[A-Z]能匹配小写字符 |
re.MULTILINE | 正则表达式中的^操作符能够将给定字符串的每行当做匹配开始 |
re.S | 正则表达式中的.操作符能够匹配所有字符包括换行符,默认匹配出换行外的所有字符 |
re.DOTALL |
re.match()
从一个字符串的开始位置起匹配正则表达式,返回match对象
参数同re.search()
re.findall()
搜索字符串,以列表类型返回全部能匹配的子串
参数同re.search()
re.split()
re.split(pattern, string, maxsplit=0, flags=0)
将一个字符串按照正则表达式结果进行分割,返回列表类型
- maxsplit:最大分割数,剩余部分作为最后一个元素输出
参数其他同re.search()
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
参数同re.search()
re.sub()
re.sub(pattern, repl, string, count=0, flags=0)
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
- repl:替换匹配字符串的字符串
- count:匹配的最大替换次数
regex = compile(pattern, flags=0)
将正则表达式的字符串形式编译成正则表达式对象
- pattern:正则表达式的字符串或原生字符表示
- flags:正则表达式使用时的控制标记
生成的正则表达式对象能使用所有re库的主要函数,但是使用时,方法的pattern要去掉
3.Re库的Match对象
Match对象的属性
属性 | 说明 |
---|---|
.string | 带匹配的文本 |
.re | 匹配时使用的pattern对象(正则表达式) |
.pos | 正则表达式搜索文本的开始位置 |
.endpos | 正则表达式搜索文本的结束位置 |
Match对象的方法
方法 | 说明 |
---|---|
.group(0) | 获得匹配后的字符串 |
.start() | 第一次匹配字符串的原始字符串的开始位置 |
.end() | 第一次匹配字符串的原始字符串的结束位置 |
.span() | 返回(.start(),end()) |
4.Re库的贪婪匹配和最小匹配
贪婪匹配
Re库默认采用贪婪匹配,即输出匹配最长的自串。
match = re.search(r"PY.*N", "PYABCNDEFNHIJN")
print(match.group(0))
#输出结果
PYABCNDEFNHIJN
最小匹配
match = re.search(r"PY.*?N", "PYABCNDEFNHIJN")
print(match.group(0))
#输出结果
PYABCN
最小匹配操作符
操作符 | 说明 |
---|---|
*? | 前一个字符0次或无限次扩展,最小匹配 |
+? | 前一个字符1次或无限次扩展,最小匹配 |
?? | 前一个字符0次或1次扩展,最小匹配 |
{m,n}? | 扩展前一个字符m至n次(含n),最小匹配 |