网络爬虫与信息提取--正则表达（三）

看了正则表达式的基础，发现正则表达式好像并没有很难~

（一）正则表达式的概念

以下图片来源于中国大学mooc嵩天老师的课件

regular expression regex Re

用来简洁表达一组表达式的方式；
通用的字符串表达框架；
针对字符串表达“简洁”和“特征”思想的工具

在文本处理中十分常用：
1.表达文本类型的特征（病毒、入侵等）
2.同时查找或替换一组字符串
3.匹配字符串的全部或者部分

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化成正则表达式特征。

（二）正则表达式的语法

由字符和操作符组成

**

关于例中简单小结：
1.如果字符串无长度限制，要以^开始，以$结束
2.任意位置的字符内容任意，且可有可无，用*
3.任意位置的字符内容任意，且某位置的字符内容任意且必须存在，用+
4.对于正整数的正则表达式
比较有意思，正整数不能为0
总有一个位置不能为0，该位置前面或者后面是否有0或者是否有值都ok
5.ip地址以点分隔，最后一个不含点

re库的基本使用

表示类型

re是python的标准库，主要用于字符串匹配
import re

re 有raw string和 string两种表示类型
raw string ：r"text", 该类型不包含对转义符再次转义的字符串
一些字母前加""来表示常见的那些不能显示的ASCII字符，如\0,\t,\n等，就称为转义字符
string：当字符串包含转义符\时，用\表示
所以，在文件路径中 如果不用r就用\
建议：正则表达式包含转义符时，建议使用raw string

主要功能函数及等价函数

主要功能函数介绍：





第一个结果返回空值
去除if语句，第二个结果返回错误，match没有group的属性
第三个结果换了100081和bit的位置则返回出结果

match和search的区别：

match()函数只检测字符串开头位置是否匹配，匹配成功才会返回结果，否则返回None。

search()函数会在**整个字符串内查找模式匹配,**只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None。

总结：
如果对匹配的结果进行使用 ，一定要用if语句判断match的结果是不是空的，如果是空的，就不能调用后面的方法。

match对象介绍

re库的贪婪匹配和最小匹配

如果在匹配中，待匹配字符串包含多个正则表达式的字符串，则输出匹配最长的子串
即贪婪匹配。
想要匹配最小的，可以在操作符后增加？

小结