Python网络爬虫与信息提取(五):正则表达式和Re库

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)
    在这里插入图片描述
  • string类型,更繁琐
    在这里插入图片描述

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
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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