python-爬虫-孙兴华

List1(p2)

正则表达式

一组由字母和符号组成的特殊文本，正则表达式可以用来从文本中找出满足你想要的格式的句子

元字符

[]——字符种类，查找方括号内的任意字符，字符之间是或(or)的关系

# 提取字符串a中所有的数字，返回结果：['7', '6', '3', '6']
import re
a = '孙悟空7猪八戒6沙和尚3唐僧6白龙马'
r = re.findall('[0-9]',a)
print(r)

[^]——否定的字符种类，查找方括号外的任意字符

# 提取字符串a中所有非数字，返回：['孙', '悟', '空', '猪', '八', '戒', '沙', '和', '尚', '唐', '僧', '白', '龙', '马']
import re
a = '孙悟空7猪八戒6沙和尚3唐僧6白龙马'
r = re.findall('[^0-9]',a)
print(r)

# 找到字符串中间字母是d或e的单词，返回：['xdz', 'xez']
import re
a = 'xyz,xcz,xfz,xdz,xaz,xez'
r = re.findall('x[de]z',a)
print(r)

{n,m}——查询范围在n-m之间，包括n和m

贪婪模式：'[a-zA-Z]{3,5}' ——首先找到3个连续的字母，如果后面有连续的其他字母，那么就以此类推就能找到连续的5个字母

# 提取大小写字母混合的单词['Excel', 'Word', 'PPT']
import re
a = 'Excel 12345Word23456PPT12Lr'
r = re.findall('[a-zA-Z]{3,5}',a)
print(r)

*——重复在*前的字符，重复次数为0-n

# ['exce', 'excell', 'excel']
import re
a = 'exce0excell3excel3'
r = re.findall('excel*',a)
print(r)

+——重复在+前的字符，重复次数为1-n

# ['excell', 'excel']
import re
a = 'exce0excell3excel3'
r = re.findall('excel+',a)
print(r)

？——重复在？前的字符，重复次数为0-1

# ['exce', 'excel', 'excel']
import re
a = 'exce0excell3excel3'
r = re.findall('excel?',a)
print(r)

特殊字符

\d——查找所有的数字

# 提取字符串a中所有的数字
import re
a = 'Excel 12345Word\n23456_PPT12lr'
r = re.findall('\d',a)
print(r)

\D——查找非数字的字符

# 提取字符串a中所有非数字
import re
a = 'Excel 12345Word\n23456_PPT12lr'
r = re.findall('\D',a)
print(r)

\w——匹配中文，下划线，数字，英文

# 提取中文，英文，数字和下划线，不能提取特殊字符
import re
a = 'Excel 12345Word\n23456_PPT12lr'
r = re.findall('\w',a)
print(r)

\W——匹配特殊字符，如$、&、空格、\n、\t等

# 提取特殊字符、空格、\n、\t等
import re
a = 'Excel 12345Word\n23456_PPT12lr'
r = re.findall('\W',a)
print(r)

\s——查询空白字符(包括空格、换行符、制表符等)

\S——查询非空白字符的字符