Python爬虫学习日志（7）

正则表达式

• RE:regular expression 或 regex

1.概念

正则表达式的作用

• 通用的字符串表达框架
• 简洁 表达一组字符串的表达式
• 针对字符串表达 简洁 和 特征 思想的工具
• 判断某字符串的特征归属
• 表达文本类型的特征（病毒、入侵等）

正则表达式的使用

• 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
  

正则表达式的语法：由字符和操作符构成

正则表达式的常用操作符

正则表达式语法实例

经典正则表达式实例

2.Re库的基本使用

正则表达式的表示类型

• raw string 类型（原生字符串类型）
  原生字符串类型在字符串类型前加小写的 ‘ r ’。（转义符 ‘\’）
  
• string 类型，更繁琐
  
  当正则表达式包含转义符时，使用raw string

Re库主要功能函数

Re库的等价用法

• 编译后的优势：一次编译，可以多次操作。
• 编译后的对象可以调用上述六个主要功能函数。
  
  

Re库主要功能函数的示例

import re
#search
match = re.search(r'[1-9]\d{5}', 'BIT 100081')
if match:
    print("search: ",match.group(0))
#match
match = re.match(r'[1-9]\d{5}', '100081 BIT')
if match:
    print("match: ",match.group(0))
#findall
ls = re.findall(r'[1-9]\d{5}', 'BIT100081 TSU100084')
print("findall: ",ls)
#split
ls2 = re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit= 1)
print("split: ",ls2)
#finditer
for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'):
    if m:
        print("finditer: ",m.group(0))
#sub
ls3 = re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT100081 TSU100084')
print("sub: ",ls3)

输出结果：

search:  100081
match:  100081
findall:  ['100081', '100084']
split:  ['BIT', ' TSU100084']
finditer:  100081
finditer:  100084
sub:  BIT:zipcode TSU:zipcode

Re库的Match对象

• Match对象的属性
  

• Match对象的方法

• Match对象示例

import re
#search
m = re.search(r'[1-9]\d{5}', 'BIT100081 TSU100084')
print(type(m))

print(m.string)
print(m.re)
print(m.pos, m.endpos)
print(m.group(0))
print(m.start(), m.end(), m.span())

输出结果：

<class 're.Match'>
BIT100081 TSU100084
re.compile('[1-9]\\d{5}')
0 19
100081
3 9 (3, 9)

Re库的贪婪匹配和最小匹配

• 贪婪匹配
  
  
• 最小匹配（后面添加 “？”）