Python爬虫-正则表达式介绍&&实战

正则表达式

一种进行数据筛选的表达式

常用操作符

操作符	说明	实例
.	表示任何单个字符
[ ]	字符集，对单个字符给出取值范围	[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	abc* 表示ab、abc、abcc、abccc
+	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abc
{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）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
\d	数字，等价于[0‐9]
\w	单词字符，等价于[A‐Za‐z0‐9_]
\s	空白字符

实战说明

原子

正则表达式中最基本的组成单位。

原子类型	实例
普通字符
非打印字符 换行符	\n
通用字符	[A‐Za‐z0‐9_] ：\w
原子表	[]

#原子
import re
s="weareone"
#普通字符做原子
t="are"
re.search(t,s)
#非打印字符做原子（换行符\n...）
t1="\n"
print(re.search(t1,s))
#通用字符做原子
s1="weare1245hgd __ggg"
pat="\d\d"
print(re.search(pat,s1))
#原子表[]
s1="weare1245hgd __ggg"
pat="we[abc]"
print(re.search(pat,s1))

元字符

正则表达式中具有一些特殊意义的字符

#元字符 除换行以外的任意一个字符
import re
#^ $ * ? + {n} {n,} {n,m} | ()
s="abcccefgj12345abcccckjh"
p1="a.."
p2="[a-c]"
p3="^abc"
p4="abc*"
p5="[^abc]"
p6="abc?"
p7="jh$"
p8="abc{1,2}"
rs=re.search(p8,s)
print(rs)

模式修正符

不改变正则表达式的情况下，通过模式修正改变正则表达式的含义，从而实现一些匹配结果的调整。

类型	说明
I	匹配时忽略大小写
M	多行匹配
L	多地化识别匹配
U	Unicode
S	让.匹配包括换行符

#模式修正符
#L M I U S
s="Python"
pat="pyt"
rs=re.search(pat,s,re.I)
print(rs)

贪婪模式&&懒惰模式

贪婪模式即最多匹配，懒惰模式即最少匹配

s="pyyhony"
pat1="p.*y"#贪婪
rs1=re.search(pat1,s,re.I)
pat2="p.*?y"#懒惰
rs2=re.search(pat2,s,re.I)
print(rs1)
print(rs2)

正则表达式函数

函数	说明
match	从开头开始匹配
compile	全局匹配函数
search	匹配

#正则表达式函数
#macth(从头开始匹配) search 全局匹配函数
s="pyyhonypoy"
pat1="p.*y"
rs1=re.match(pat1,s,re.I)
print(rs1)
pat2="p.*?y"#懒惰
rs2=re.compile(pat2).findall(s)
print(rs2)