Python爬虫(二十一)
学习Python爬虫过程中的心得体会以及知识点的整理,方便我自己查找,也希望可以和大家一起交流。
—— 正则表达式应用详解 ——
相关文章:
1.Python的Re库应用详解(正则表达式的库)
2.Python的Re库与正则表达式的细节解析(正则表达式的库)
1. 简介
正则表达式:regular expression,也称regex,简称 RE
-
正则表达式模式被编译成一系列的字节码,然后由一个 C 语言写的匹配引擎所执行。
-
正则表达式是用来简洁表达一组字符串的表达式
-
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
-
-
正则表达式在文本处理中十分常用
-
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
-
-
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式表达特征
- 编译:将符合正则表达式语法的字符串转换成正则式表达特征
2. 语法
正则表达式语法由字符和操作符构成
- 有一些符号不能匹配自身,它们定义了字符类、子组匹配和模式重复次数等功能,被称为元字符 (metacharacter)。
- 元字符包括:
. ^ $ * + ? { } [ ] \ | ( )
- 正则表达式的常用操作符
在反斜杠后边紧跟着一个元字符,那么元字符的“特殊功能”也不会被触发
操作符 | 说明 | 实例 |
---|---|---|
. | 表示任何单个字符(除换行符) 【注1】 | |
[ ] | 字符集,对单个字符给出取值范围,元字符在方括号中不会触发功能 | [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 【注2】 | 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、abc |
| | 左右表达式任意一个 【注3】 | |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) 【注4】 | ab{1,2}c 表示 abc、abbc |
^ | 匹配字符串开头 | ^abc 表示abc且在一个字符串的开头 |
$ | 匹配字符串结尾 | 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,(abc|def) 表示 abc、def |
\ | 后边跟元字符去除特殊功能,跟普通字符实现特殊功能,如需消除反斜杠的特殊功能只需在前面再加一个反斜杠\\ | \d \w \u |
\d | 匹配十进制数字,等价于[0-9] | |
\D | 与 \d 相反,匹配非十进制数字的字符,相当于 [^0-9] | |
\s | 匹配空白字符(包含空格、换行符、制表符等),等价于 [ \t\n\r\f\v] | |
\S | 与 \s 相反,匹配非空白字符,等价于 [^ \t\n\r\f\v] | |
\w | 单词字符 【注5】 ,等价于[A-Z,a-z,0-9] | |
\W | 于 \w 相反 | |
\b | 匹配单词的开始或结束 | |
\B | 与 \b 相反 | |
\Z | 只匹配字符串的结束位置。 |
【注1】:如果设置了 re.DOTALL 标志,.
将匹配包括换行符在内的任何字符。
【注2】:由于受到 C 语言的 int 类型大小的内部限制,正则表达式引擎会限制字符重复个数不超过 20 亿个;
【注3】:为了能够更加合理的工作,|
的优先级非常低。例如 banana|orange
应该匹配banana 或 orange,而不是匹配 banan,然后一个 ‘a’ 或 ‘o’。同样,我们使用 \|
来匹配 |
字符本身;或者包含在一个字符类中,像这样 [|]
。
【注4】:可以省略 m 或者 n,引擎会假定一个合理的值代替。省略 m,将被解释为下限 0;省略 n 则会被解释为无穷大(事实上是上边我们提到的 20 亿)。
【注5】:\w
匹配任何字符。如果正则表达式以字节的形式表示,这相当于字符类 [a-zA-Z0-9_];如果正则表达式是一个字符串,\w
会匹配所有 Unicode 数据库(unicodedata 模块提供)中标记为字母的字符。你可以在编译正则表达式的时候,通过提供 re.ASCII 表示进一步限制 \w
的定义。
3. 部分元字符应用详解
^
匹配字符串的起始位置。如果设置了 MULTILINE 标志,就会变成匹配每一行的起始位置。在 MULTILINE 中,每当遇到换行符就会立刻进行匹配。
举个例子,如果你只希望匹配位于字符串开头的单词 From,那么你的正则表达式可以写为 ^From
:
print(re.search('^From', 'From Here to Eternity'))
print(re.search('^From', 'Reciting From Memory'))
结果如图:
$
匹配字符串的结束位置,每当遇到换行符也会离开进行匹配。
print(re.search('}$', '{block}'))
print(re.search('}$', '{block} '))
print(re.search('}$', '{block}\n'))
结果如图:
同样,我们使用 $ 来匹配 $
字符本身;或者包含在一个字符类中,像这样 [$]
。
\A
只匹配字符串的起始位置。如果没有设置 MULTILINE 标志的时候,\A 和 ^ 的功能是一样的;但如果设置了 MULTILINE 标志,则会有一些不同:\A 还是匹配字符串的起始位置,但 ^ 会对字符串中的每一行都进行匹配。
\b
单词边界,这是一个只匹配单词的开始和结尾的零宽断言。“单词”定义为一个字母数字的序列,所以单词的结束指的是空格或者非字母数字的字符。
零宽断言相关信息请点击零宽断言查看。
下边例子中,class 只有在出现一个完整的单词 class 时才匹配;如果出现在别的单词中,并不会匹配。
p = re.compile(r'\bclass\b')
print(p.search('no class at all'))
print(p.search('the declassified algorithm'))
print(p.search('one subclass is'))
结果如图:
在使用这些特殊的序列的时候,有两点是需要注意的:
第一点是,Python 的字符串跟正则表达式在有些字符上是有冲突的。比如说在 Python 中,\b 表示的是退格符(ASCII 码值是 8)。所以,你如果不使用原始字符串,Python 会将 \b 转换成退格符处理,这样就肯定跟你的预期不一样了。
相关原理和解决方法点击详情查看。
第二点需要注意的是,在字符类中不能使用这个断言。跟 Python 一样,在字符类中,\b 只是用来表示退格符。
\B
另一个零宽断言,与 \b 的含义相反,\B 表示非单词边界的位置。
3. 正则表达式实例
经典正则表达式实例
匹配IP地址的正则表达式
IP地址字符串形式的正则表达式(IP地址分分4段,每段0255) \d+.\d+.\d+.\d+ \d{1,3}.\d{1,3}.\d{1,3}.\d{1,3} 不精确
精确写法
0-99: [1-9]?\d 100-199: 1\d{2} 200-249: 2[0-4]\d 250-255: 25[0-5]
(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])