python网络爬虫3——正则表达式

正则表达式：用来简洁表达一组字符串的表达式

一、正则表达式的语法——操作符

 

二、Re库

1.Re库简介

Re库是python的标准库，主要用于 字符串匹配

Re库采用 raw string类型（原生字符串类型）表达正则表达式：r'text'

原生字符串与字符串的区别：原生字符串不包含 转义符

 

2.Re库的主要函数

（1）    re.search( pattern, string, flags = 0)

• pattern：正则表达式的字符串或原生字符串表示
• string：待匹配的字符串
• flags：正则表达式使用时的标记，有3种常用标记，如下：

（2）     re.match( pattern, string, flags = 0)

（3）     re.findall( pattern, string, flags = 0)

（4）     re.split( pattern, string, maxsplit = 0，flags = 0)

• maxsplit:最大分割数，剩余部分作为最后一个部分输出

（5）     re.finditer( pattern, string, flags = 0)

（6）     re.sub( pattern, repl，string, count =0, flags = 0)

• repl:替换匹配字符串的字符串
• count：匹配的最大替换次数

 

3.Re库函数的两种等价用法

（1）函数式用法：一次性操作

import re
match = re.search(r'[1-9]\d{5}', 'HZ 310006 310004' )
print(match.group(0))

（2）面向对象用法：编译后的多次操作

import re
regex = re.compile(r'[1-9]\d{5}')
match = regex.search( 'HZ 310006 310004' )
print(match.group(0))

注：regex = re.compile(pattern, flags = 0)     将正则表达式的字符串形式编译成正则表达式对象

两种方法的对应关系如下：

 

4.match对象

re.search()  、regex.search() 等函数返回了match对象，match对象是一次匹配的结果，包含匹配的很多信息

（1）match对象的属性

（2）match对象的方法

 

5.Re库的贪婪匹配和最小匹配

（1）Re库默认进行贪婪匹配，输出匹配最长的子串。

（2）最短匹配，输出匹配最短的子串，在正则表达式中加 ？即可采用最小匹配