网络爬虫实战知识准备:
Requests库、robots(网络爬虫排除标准)、BeautifulSoup库
一、Re正则表达式
1.
简洁地表达一组字符串
通用的字符串表达框架
字符串匹配
编译:
2.语法
字符+操作符
操作符
.:表示任何单个字符
[]:字符集,对单个字符给出取值范围
[^]:非字符集,对单个字符给出排除范围
*:前一个字符0次或无限次扩展
+:前一个字符1次或无限次扩展
?:前一个字符0次或1次扩展
|:左右表达式任意一个
{m}:扩展前一个字符m次
{m,n}:扩展前一个字符m至n次(含n)
^:匹配字符串开头
$:匹配字符串结尾
():分组标记,内部只能用|操作符
\d:数字,等价于[0-9]
\w:单词字符串,等价于[A-Za-z0-9_]
经典正则表达式实例
^[A-Za-z]+$ 由26个字母组成的字符串
^[A-Za-z0-9]+$ 由26个字母和数字组成的字符串
^-?\d+$ 整数形式的字符串
^[0-9]*[1-9][0-9]*$ 正整数形式的字符串
[\u4e00-\u9fa5] 匹配中文字符串
3.Re库介绍
re.search(pattern,string,flags=0):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
flags控制标记
re.I 忽略正则表达式的大小写
re.M 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
re.S 正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符
>>> import re >>> match = re.search(r'[1-9]\d{5}','BIT 100081') >>> if match: print(match.group(0)) 100081
re.match(pattern,string,flags):从一个字符串的开始位置起匹配正则表达式,返回match对象
>>> match = re.match(r'[1-9]\d{5}','BIT 100081') >>> if match: print(match.group(0)) >>> match.group(0) Traceback (most recent call last): File "<pyshell#9>", line 1, in <module> match.group(0) AttributeError: 'NoneType' object has no attribute 'group'
>>> match = re.match(r'[1-9]\d{5}','100081')
>>> match.group(0)
'100081'
re.findall(pattern,string,flags):搜索字符串,以列表类型返回全部能匹配的子串
>>> ls = re.findall(r'[1-9]\d{5}','BIT100081 NPU100084') >>> ls ['100081', '100084']
re.split(pattern,string,maxsplit=0,flags=0):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
maxsplit:最大分割数
>>> re.split(r'[1-9]\d{5}','BIT100081 NPU100084') ['BIT', ' NPU', ''] >>> re.split(r'[1-9]\d{5}','BIT100081 NPU100084',maxsplit = 1) ['BIT', ' NPU100084']
re.finditer(pattern,string,flags):搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象
>>> for m in re.finditer(r'[1-9]\d{5}','BIT100081 NPU100084'): if m: print(m.group(0)) 100081 100084
re.sub(pattern,rel,string,count,flags):在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串
repl:替换匹配字符串的字符串
count:匹配的次数
>>> re.sub(r'[1-9]\d{5}',':zipcode','BIT100081 NPU100084') 'BIT:zipcode NPU:zipcode'
re.compile(pattern,flags)
regex = re.compile(r'[1-9]\d{5})
regex.search().......
这是面向对象的编译方法
4.Re库的match对象
属性:
.string 待匹配的文本
.re 匹配时使用的pattern对象(正则表达式)
.pos 正则表达式搜索文本的开始位置
.endpos .....结束位置
方法:
.group(0) 获得匹配后的字符串
.start() 匹配字符串在原始字符串的开始位置
.end() 。。。。。结束位置
.span() 返回(.start(),.end())
>>> import re >>> m = re.search(r'[1-9]\d{5}','NPU100081 NPU100084') >>> m.string 'NPU100081 NPU100084' >>> m.re re.compile('[1-9]\\d{5}') >>> m.pos 0 >>> m.end <built-in method end of re.Match object at 0x03CEED40> >>> m.endpos 19 >>> m.group(0) '100081' >>> m.group(1) Traceback (most recent call last): File "<pyshell#8>", line 1, in <module> m.group(1) IndexError: no such group >>> m.start() 3 >>> m.end() 9 >>> m.span() (3, 9)
贪婪匹配:默认输出最长匹配
>>> match = re.search(r'PY.*N','PYANBNCNDN') >>> match.group(0) 'PYANBNCNDN'
最小匹配
>>> match = re.search(r'PY.*?N','PYANBNCNDN') >>> match.group(0) 'PYAN'
*?前一个字符0次或无限次扩展
+?前一个字符1次或无限次扩展
?? 前一个字符0次或1次扩展
{m,n}? 扩展前一个字符m至n次
>>> match = re.search(r'PY.+?N','PYANBNCNDN') >>> match.group(0) 'PYAN'