正则表达式包re
regular expression = regex = re 正则表达式是通用的字符串表达框架,是判断字符串的特征所属的方法,这种方法几乎在所有的计算机相关领域都有所涉及。那么,爬虫这一对数据的提取的技术也不例外。学好正则表达式是所有计算机人的基本功。
正则表达式的编译:将符合正则表达式语法的字符串转换成正则表达式特征。
正则表达式的常用操作符:
1. .表示任何单个字符
2. []字符集,对单个字符给出取值范围
3. [^]非字符集,对单个字符给出排除范围
4. *一个字符0次或无限次扩展(0次扩展就是没有)
5. +前一个字符1次或无限次扩展
6. ?前一个字符0次或1次扩展
7. |左右表达式任意一个如abc|def表示abc或者def
8. {m}扩展前一个字符m次
9. {m, n}扩展前一个字符m次至n次(含n)
10. ^匹配字符串开头,如^abc表示abc且在一个字符串的开头
11. $匹配字符串的结尾
12. ()分组标记,内部只能使用|操作符,如(abc)表示abc,(abc|def)表示abc或def
13. \d数字,等价于[0-9]
14. \w单词字符,等价于[A-Za-z0-9_]
re库的基本使用
re库的应用语句如下
import re
re库使用raw string类型表示正则表达式,表示为r’text’
raw string是不包含转义符的字符串
也可以用string,不过太繁琐
re库的主要功能函数:
1. re.search()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
2. re.match()从一个字符串的开始的位置匹配正则表达式,返回match对象
3. re.findall()搜索字符串,以列表类型返回全部能匹配的子串
4. re.split()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
5. re.finditer()搜索字符串,返回一个匹配结果的迭代类型,每个迭代类型元素是match对象