search()方法既有模块级别的,即re.search();编译后的正则表达式对象也同样拥有search() 方法。
但是两者还是有些细微差别的:
re.search() 有个参数flags是表示编译标志。而regex.search() 有两个参数pos和endpos用来表示搜索的起始位置和终止位置。
search()方法并不会立刻返回我们能够使用的字符串,返回的而是一个匹配对象。
>>> import re
>>> result = re.search(r' (\w+) (\w+)', 'I Love Study!') #\w表示匹配任何字符单词,+表示匹配一次或多次
>>> result #可以看出result是一个正则表达式匹配对象
<_sre.SRE_Match object; span=(1, 12), match=' Love Study'>
>>> result.group()#使用一些方法才能获得我们需要的字符串,例如group()方法
' Love Study'
#对于group()方法,如果正则表达式模式中存在子组,那么子组会将匹配的内容进行捕获,通过对group()方法设置序号,可以提取对应子组捕获的字符串
>>> result.group(1) #提取第一个子组捕获的内容
'Love'
>>> result.group(2) #提取第二个子组捕获的内容
'Study'
#返回的对象还有几个方法:start()表示匹配开始的位置, end()表示匹配结束的位置, span()表示匹配的范围
>>> result.start()
1
>>> result.end()
12
>>> result.span()
(1, 12)
findall() 方法:在正则表达式没有子组时,会找到所有正则表达式模式匹配的内容,并将它们组织成列表返回。
有子组时就会不太一样了,举个例子说明:
import urllib.request
import re
def open_url(url):
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:54.0) Gecko/20100101 Firefox/54.0')
response = urllib.request.urlopen(req)
html = response.read().decode('utf-8')
return html
def get_images(html):
p = r'<img class="BDE_Image" src="([^"]+\.jpg)"' #直接加上()就行
imglist = re.findall(p, html)
'''
for each in imglist:
print(each)
'''
for each in img_list:
filename = each.spilt("/")[-1]
urllib.request.urlretrieve(each, filename, None)
if __name__ == '__main__':
url = 'https://tieba.baidu.com/p/5530143748'
get_images(open_url(url))
不加小括号:
加小括号:
为什么加上小括号就这么神奇呢?
因为在findall()方法中,如果给出的正则表达式模式包含子组的话,就会把子组的内容单独返回回来。如果包含多个子组,会把匹配的内容组合成元组的形式返回。
下面是以获取IP地址为例子说明findall()方法中有多个子组的使用方法:
import urllib.request
import re
def open_url(url):
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:54.0) Gecko/20100101 Firefox/54.0')
response = urllib.request.urlopen(req)
html = response.read().decode('utf-8')
return html
def get_images(html):
p = r'(?:(?:[0,1]?\d?\d|2[0-4]\d|25[0-5])\.){3}(?:[0,1]?\d?\d|2[0-4]\d|25[0-5])' #出现奇怪结果的原因:因为我们在正则表达式模式里面使用了三个子组,findall方法对他们进行了分类,然后把结果以元组的形式返回了。
#解决方法:可以让子组不捕获内容。这个可以通过扩展语法非捕获组实现。把所有出现子组的位置加上?:
iplist = re.findall(p, html)
for each in iplist:
print(each)
if __name__ == '__main__':
url = 'http://www.xicidaili.com/'
get_images(open_url(url))
不使用非捕获组的结果:
使用非捕获组:
(?...) : 以 (? 开头的表示为正则表达式的扩展语法
(?:...):非捕获组,即该子组匹配的字符串无法从后边获取