【python爬虫自学记录】【5】-正则表达式，原子，元字符，贪婪模式与懒惰模式，正则表达式函数，常见的正则实例

正则表达式

原子

是正则表达式中最基本的组成单位，每个正则表达式中都需要至少包含一个原子。常见的原子类型有：

• 普通字符作为原子的情况

import re
string="zaitaoshanbei"
pat="shan"
rst=re.search(pat,string)
print(rst)

输出：
<re.Match object; span=(6, 10), match=‘shan’>

• 非打印字符作为原子

#\n换行符，\t制表符 ''''''可以引入换行符
string='''zaitao
shanbei'''
pat="\n"
rst=re.search(pat,string)
print(rst)

输出
<re.Match object; span=(6, 7), match=’\n’>

• 通用字符作为原子

\w匹配任意一个字母或者数字或者下划线
\W匹配任意一个除字母，数字，下划线外的字符
\d匹配任意一个十进制数字
\D匹配任意一个除十进制外的数字
\s匹配任意一个空白字符
\S匹配任意一个除空白字符外的字符

string='''zaitao12a3456
shanbei'''
pat="\d\d\d\d"
rst=re.search(pat,string)
print(rst)

输出
<re.Match object; span=(9, 13), match=‘3456’>

string='''zaitao12a3456
shanbei'''
pat="\w\w\d\d"
rst=re.search(pat,string)
print(rst)

输出
<re.Match object; span=(4, 8), match=‘ao12’>

string='''zaitao12 a3456
shanbei'''
pat="\d\d\s\w"
rst=re.search(pat,string)
print(rst)

输出
<re.Match object; span=(6, 10), match=‘12 a’>

• 使用原子表

从原子表中任意提取出来一个

string='''zaitao12 a3456
shanbei'''
pat="z[abcde]itao"
rst=re.search(pat,string)
print(rst)

输出
<re.Match object; span=(0, 6), match=‘zaitao’>

^代表除了这个表中的原子，我都要提取

string='''zaitao12 a3456
shanbei'''
pat="z[^cde]itao"
rst=re.search(pat,string)
print(rst)

输出
<re.Match object; span=(0, 6), match=‘zaitao’>

元字符

具有特殊含义的字符

.	除换行符以外任意一个字符
^	开始位置
$	结束位置
*	匹配前面的原子出现0、1、多次
？	匹配前面的原子出现0、1次
+	匹配前面的原子出现1、多次
{n}	匹配前面的原子出现n次
{n,}	匹配前面的原子出现至少n次
{n,m}	匹配前面的原子出现至少n次，至多m次
竖线	模式选择符或
（）	模式单元,匹配了很多但是只想让括号内的内容显示

……

模式修正符

在不改变正则表达式的情况下，通过模式修正符改变正则表达式的含义，从而实现一些匹配结果的调整等功能

I	匹配时忽略大小写 *
M	多行匹配 *
L	本地化识别匹配
U	unicode
S	让 . 匹配包括换行符 *

• I举例

string='''Python123
nnn'''
pat="pyt"
rst=re.search(pat,string,re.I) #忽略大小写
print(rst)

<re.Match object; span=(0, 3), match=‘Pyt’>

贪婪模式与懒惰模式

贪婪是尽可能多匹配,比较模糊
懒惰模式是尽可能少的去匹配，比较精准

• 贪婪模式

一般是 .*

string='''Poythony123
nnn'''
pat="p.*y" #贪婪模式一直找到找不到为止，所以不是poy
rst=re.search(pat,string,re.I) #忽略大小写
print(rst)

输出
<re.Match object; span=(0, 8), match=‘Poythony’>

• 懒惰模式
  一般是 .*?

string='''Poythony123
nnn'''
pat="p.*?y" 
rst=re.search(pat,string,re.I) #忽略大小写
print(rst)

输出
<re.Match object; span=(0, 3), match=‘Poy’>

正则表达式函数

有re.match() re.search() re.sub() 全局匹配函数去实现功能

match()

从头开始匹配

string='''Poythony123
nnn'''
pat="p.*?y"
rst=re.match(pat,string,re.I) #忽略大小写
print(rst)

输出
<re.Match object; span=(0, 3), match=‘Poy’>

search()

任意点都可以开始匹配，从左到右，仅提取一个结果

string='''atPoythPony123
nnn'''
pat="p.*?y"
rst=re.search(pat,string,re.I) #忽略大小写
print(rst)

<re.Match object; span=(2, 5), match=‘Poy’>

全局匹配函数—re.compile（正则表达式）.findall(数据)

所有匹配的都抓出来

string='''atPoythPony123
nnn'''
pat="p.*?y"
rst=re.compile(pat,re.I).findall(string) #忽略大小写
print(rst)

[‘Poy’, ‘Pony’]

常见的正则实例

匹配.com/.cn网址

import re

string = "<a href='http://www.baidu.com'>百度首页</a>"
pat="[a-zA-Z]+://[^\s]*[.com|.cn]"
rst = re.compile(pat).findall(string)
print(rst)

匹配电话号码

string = "dfda020-4521854781df d0594-43219541236sdfdfds"
pat = "\d{4}-\d{7}|\d{3}-\d{8}"
rst = re.compile(pat).findall(string)
print(rst)

[‘020-45218547’, ‘0594-4321954’]