北理慕课——Python网络爬虫之实战

1. 正则表达式（Re）库入门

正则表达式的语法

经典正则表达式实例

匹配IP地址的正则表达式

正则表达式的表示类型

raw string类型（原生字符串类型）

re库采用raw string类型表示正则表达式，表示为： r ' text '
例如： r'[1‐9]\d{5}'               r'\d{3}‐\d{8}|\d{4}‐\d{7}'
raw string是不包含对转义符再次转义的字符串

Re库主要功能函数

1.1 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表示

∙ string : 待匹配字符串

∙ flags: 正则表达式使用时的控制标记

∙ flags 常用标记 : 正则表达式使用时的控制标记

>>> import re
>>> match = re.search(r'[1-9]\d{5}', 'BIT 100081')
>>> if match:
        print(match.group(0))

100081

 

1.2 re.match(pattern, string, flags=0)

从一个字符串的开始位置起匹配正则表达式 返回match对象

∙ pattern : 正则表达式的字符串或原生字符串表示

∙ string : 待匹配字符串

∙ flags: 正则表达式使用时的控制标记

1.3 re.findall(pattern, string, flags=0)

搜索字符串，以列表类型返回全部能匹配的子串

∙ pattern : 正则表达式的字符串或原生字符串表示

∙ string : 待匹配字符串

∙flags: 正则表达式使用时的控制标记

>>> import re
>>> ls = re.findall(r'[1-9]\d{5}', 'BIT100081 TSU100084')
>>> ls
['100081','100084']

1.4 re.split(pattern, string, maxsplit=0, flags=0)

将一个字符串按照正则表达式匹配结果进行分割 返回列表类型

∙ pattern : 正则表达式的字符串或原生字符串表示

∙ string : 待匹配字符串

∙ maxsplit: 最大分割数，剩余部分作为最后一个元素输出

∙ flags: 正则表达式使用时的控制标记

1.5 re.finditer(pattern, string, flags=0)

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

∙ pattern : 正则表达式的字符串或原生字符串表示

∙ string : 待匹配字符串

∙ flags: 正则表达式使用时的控制标记

1.6 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

∙ pattern : 正则表达式的字符串或原生字符串表示

∙ repl: 替换匹配字符串的字符串

∙ string : 待匹配字符串

∙ count : 匹配的最大替换次数

∙ flags : 正则表达式使用时的控制标记

2. Re库的Match对象

Match对象是一次匹配的结果，包含匹配的很多信息

Match对象的属性

Match对象的方法

Re库的贪婪匹配和最小匹配

当同时匹配长短不同的多项时，Re库默认采用贪婪匹配，即输出匹配最长的子串

如何输出最短的子串呢？

>>> match = re.search(r'PY.*?N', 'PYANBNCNDN') 
>>> match.group(0) 
'PYAN'

最小匹配操作符

只要长度输出可能不同的，都可以通过在操作符后增加？变成最小匹配