第二章正则表达式 2021-09-07

最新推荐文章于 2024-05-20 18:07:18 发布

偶入编程深似海

最新推荐文章于 2024-05-20 18:07:18 发布

阅读量161

点赞数 1

分类专栏： python 爬虫文章标签：正则表达式 python 爬虫

本文链接：https://blog.csdn.net/qq_21438267/article/details/120165726

版权

python 爬虫专栏收录该内容

17 篇文章 2 订阅

订阅专栏

爬虫系列总目录

本章节介绍爬虫中使用的基础库用于选择，过滤页面信息。包括requests，bs4等。
第二章爬虫基础库-requests/bs4
第二章正则表达式

一、正则表达式

正则表达式，⼜称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或
RE）计算机科学的⼀个概念。正则表达式通常被⽤来检索、替换那些符合某个模式(规则)的⽂本。

二、Python中的正则模块re

2.1 re模块操作

在Python中需要通过正则表达式对字符串进⾏匹配的时候，可以使⽤re模块
re.match()必须从字符串的开头进⾏匹配，如果字符串的开头不匹配，整个匹配就失败了

import re
string = 'baidu.com'
result = re.match('baidu', string)
print(result.group())

2.2 匹配单个字符

字符：对应功能

. 匹配任意1个字符（除了\n）【匹配\n时会报错】
[ ] 匹配[ ]中列举的字符【匹配[ ]中的任何⼀个字符】
\d 匹配数字，即0-9； \D 匹配⾮数字，即不是数字
\s 匹配空⽩，即空格，tab键【都是空⽩】； \S 匹配⾮空⽩
\w 匹配单词字符，即a-z、A-Z、0-9、_；\W 匹配⾮单词字符【⾮下划线】
. 匹配除换行符 \n 之外的任何单字符。要匹配 . ，请使用 \.

2.3 匹配多个字符

? * 都有匹配0次的情况，未匹配时返回空字符串。

* 匹配前⼀个字符出现0次或者⽆限次，即可有可无
+匹配前⼀个字符出现1次或者⽆限次，即⾄少有1次
？匹配前⼀个字符出现1次或者0次，即要么有1次，要么没有
{m} 匹配前⼀个字符出现m次
{m,n} 匹配前⼀个字符出现从m到n次

# 判断能不能作为python变量名
result = re.match('[a-zA-Z_]+[\w]*', 'li_1')

# 练习:匹配邮箱(邮箱需要以字⺟开头,可以使⽤数字、字⺟、下划线，⻓度为6-8 -- ⽹易邮箱要求)
mail = "a1234567@163.com"
result = re.match('[a-zA-Z]{1}\w{5,7}@163\.com', mail)

2.4 匹配开头和结尾

^ 1.匹配字符串开头（写在最前面是开头） 2. 取反（其他地方是取反）
$ 匹配字符串结尾

2.5 匹配分组

| 匹配左右任意⼀个表达式
(ab) 将括号中字符作为⼀个分组
\num 引⽤分组num匹配到的字符串， \1 复用第一个的内容（数字从1开始）
(?P) 分组起别名
(?P=name) 引⽤别名为name分组匹配到的字符串
注意点:(?P)和(?P=name)中的字⺟P⼤写

# 匹配0-100的数字
result = re.match("[1-9]?\d$|100", "87")
# 检查html 标签是否成对出现
result = re.match(r"<([a-zA-Z]*)>\w*</\1>","<html>p</html>")
print(result.group())

labels = ["<p><span>www.baidu.com</span></p>", "<p><span>www.baidu.com</p></p>"]
for label in labels:
    result = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", label)
    # 引⽤()分组规则复⽤
    # result = re.match(r"<(?P<p1>\w*)><(?P<span1>\w*)>.*</(?P=span1)></(?P=p1)>",label)
    if result:
        print("{}是符合要求的标签".format(result.group()))
    else:
        print("{}不符合要求".format(label))

2.6 其他re函数

re.findall() ：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，如果没有找到匹配的，则返回空列表。
re.search() 扫描整个字符串，并返回第⼀个成功的匹配。如果匹配失败，则返回None，不要求必须从字符串的开头进⾏匹配。用group获取的分组信息，result.group(0) 是全部，
re.sub() 某一个内容进行替换
re.split()按照能够匹配的⼦串将字符串分割后返回列表。

content = '字数:1057 阅读:6618'
result = re.split('\s|:', content)
print(result)

2.7 贪婪与非贪婪

通过在 *、+ 或 ? 限定符之后放置 ?，该表达式从"贪婪"表达式转换为"非贪婪"表达式或者最小匹配。
正则表达式式中在使⽤通配符匹配（* + ？）时，是从左到右进⾏匹配，会尽可能的获取满⾜匹配条件的最⻓字符串，也就是默认为贪婪模式，⽽⾮贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配。

这两种模式都必须满⾜匹配次数的要求才能匹配上

贪婪模式，简单说就是尽可能进⾏最⻓匹配，匹配上从第⼀个 " 到最后⼀个 " 之间的所有内容
⾮贪婪模式，则会尽可能进⾏最短匹配，⾮贪婪匹配：找到符合要求的结果

content = "abc12345"
result = re.match('\D+?', content)
print(result.group())
result = re.findall('\D+', content)
print(result)

3 总结

在这里插入图片描述

偶入编程深似海

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
第二章正则表达式 2021-09-07

爬虫系列总目录本章节介绍爬虫中使用的基础库用于选择，过滤页面信息。包括requests，bs4等。第二章爬虫基础库-requests/bs4[第二章正则表达式]一、正则表达式正则表达式，⼜称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE）计算机科学的⼀个概念。正则表达式通常被⽤来检索、替换那些符合某个模式(规则)的⽂本。二、Python中的正则模块re2.1 re模块操作在Python中需要通过正则表达式对字符串进⾏匹配的时候
复制链接

扫一扫