正则表达式 代表的匹配字符
pat="[a-zA-Z]+://[^\s]*[.com|.cn]"匹配网址
[0-9] 0123456789任意之一
[a-z] 小写字母任意之一
[A-Z] 大写字母任意之一
\d 等同于[0-9]
\D 等同于[^0-9]匹配非数字
\w 等同于[a-z0-9A-Z_]匹配大小写字母、数字和下划线\W 等同于[^a-z0-9A-Z_]等同于上一条取非
. 代表任意字符
| 逻辑或操作符
[ ] 匹配内部的任一字符或子表达式
[^] 对字符集和取非
- 定义一个区间
\ 对下一字符取非(通常是普通变特殊,特殊变普通)
- 匹配前面的字符或者子表达式0次或多次
*? 惰性匹配上一个
- 匹配前一个字符或子表达式一次或多次
+? 惰性匹配上一个
? 匹配前一个字符或子表达式0次或1次重复
{n} 匹配前一个字符或子表达式
{m,n} 匹配前一个字符或子表达式至少m次至多n次
{n,} 匹配前一个字符或者子表达式至少n次
{n,}? 前一个的惰性匹配
^ 匹配字符串的开头
\A 匹配字符串开头
$ 匹配字符串结束
[\b] 退格字符
\c 匹配一个控制字符
\t 匹配制表符
例:re.match()函数
-- coding:UTF-8 --
import re
pattern = re.compile(r’hello’) #re.compile(strPattern[,flage])是Pattern的工厂方法,用于将字符串形式的正则表达式编译为Pattern对象
match= pattern.match(‘hello world!’) #match对象是一次匹配的结果
if match:
print match.group()
#等同于:
print re.match(r’hello’,‘hello world’).group() #使用该语句缺点是不可复用Pattern对象
输出:hello
match函数详解
属性:
string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。
lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。
方法:
group([group1, …]):
获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。
groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。
groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。
start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。
end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。
span([group]):
返回(start(group), end(group))。
expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组,但不能使用编号0。\id与\g是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符’0’,只能使用\g<1>0。
例:re.search()函数
#re.search 扫描整个字符串并返回第一个匹配成功的位置
print re.search(r’suf’,‘fjkhskf456sufgwh215’).span()
输出结果:(10, 13)
两函数的区别:
re.match只匹配字符串的开始,如果字符串开始不符合正则表达式,则匹配失败,函数返回None;
而re.search匹配整个字符串,直到找到一个匹配。
替换:re.sub(‘正则表达式’,‘替换的字符串’,‘被替换的字符串’)
print re.sub(r’abc’,’’,‘woprjabcwuryweorabc’) #将’woprjabcwuryweorabc’字符串中的‘abc’替换为空
输出:woprjwuryweor
---------------------------------------------利用正则爬取网页上的图片---------------------------------------------------
#coding=utf-8
import urllib #urllib模块提供了读取Web页面数据的接口
import re #re模块主要包含了正则表达式
#定义一个getHtml()函数
def getHtml(url):
page = urllib.urlopen(url) #urllib.urlopen()方法用于打开一个URL地址
html = page.read() #read()方法用于读取URL上的数据
return html
def getImg(html):
reg = r’src="(.+?.jpg)" alt=’ #正则表达式,得到图片地址
imgre = re.compile(reg) #re.compile() 可以把正则表达式编译成一个正则表达式对象.
imglist = re.findall(imgre,html) #re.findall() 方法读取html 中包含 imgre(正则表达式)的 数据
x = 0
for imgurl in imglist: #把筛选的图片地址通过for循环遍历并保存到本地
urllib.urlretrieve(imgurl,'F:\图片\%s.jpg' % x) # 核心是urllib.urlretrieve()方法,直接将远程数据下载到本地,图片通过x依次递增命名‘’F:\图片‘保存图片的文件夹
x+=1
html = getHtml(“http://pic.yxdown.com/list/0_0_1.html”)
print getImg(html)
————————————————
版权声明:本文为CSDN博主「tiegenZ」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/tiegenZ/article/details/77506053