Python爬虫笔记之re查找

---

前言

记录利用re查找元素的常用方法。

---

操作符

• . ：任意单个字符
• *：前一字符扩展0到∞次
• +：前一字符扩展1到∞次
• ?：前一字符扩展0或1次
• {m}：前一字符扩展m次
• {m,n}：前一字符扩展m到n次
• ^：在开头
• $：在结尾
• \d：[0-9]
• \w：[A-Z a-z 0-9]
• [ ] ：字符集
• ( )：分组
• |：左右任一个
• [^]：非字符集
  实例：

^[a-z A-z]+$ 由字母组成
^[0-9]+$ 由数字组成
^-?\d+$ 整数
[\u4e00-\u9fa] 中文字符
(25[0-5])|(2[0-4]\d)|(1\d{2})|([1-9]?\d) 0~255，由大到小分段

查找方法

re.search(pattern,string,flags=0) #返回第一个查找结果（match对象）
re.match(pattern,string,flags=0) #从头匹配，返回第一个查找结果（match对象）
re.findall(pattern,string,flags=0) #以列表类型返回全部结果
re.split(pattern,string,maxsplit,flags=0) #分隔，返回列表
re.finditer(pattern,string,flags=0) #返回迭代的match对象
re.sub(pattern,repl,string,count=0,flags=0) #替换，返回替换后的字符串
#pattern：正则表达式，r"text"
#string：待匹配字符串
#flag：re.I忽略大小写，re.M：把^当作匹配开始，re.S：操作符能匹配所有字符。
#maxsplit：最大分隔数，其余按一个返回
#repl：替换的字符串，count：替换次数

使用方法

一次操作：
rst=re.search(...)
多次操作：
pat=re.compile(pattern,flags)
rst=pat.search(...)

• 贪婪匹配：默认，输出最长查找结果
• 最小匹配：*?、+?、 ??、{m,n}?

match对象

属性：

• match.string：待匹配文本
• match.re：正则表达式
• match.pos：起始位置
• match.endpos：结束位置
  方法：
• match.group(0)：找到的字符串
• match.start()：在原字符串起始位置
• match.end()：在原字符串结束位置
• match.span()：（start，end）

使用

re.findall(r"语言.+",r.text)
>>>['语言程序设计</span></b></p>\r']

re.search(r"lang=..-..",r.text).group(0)
>>>'lang=ZH-CN'

print(re.match(r"lang=..-..",r.text))
>>>None

总结

使用re查找元素可以简单快速地查找特征元素，但当元素的特征性不强时，查找的效果较差，需要配合其他查找方式使用。