python 正则表达式提取数据_Python爬虫教程-19-数据提取-正则表达式(re)

本篇主页内容：match的基本使用，search的基本使用，findall,finditer的基本使用，匹配中文，贪婪与非贪婪模式

Python爬虫教程-19-数据提取-正则表达式(re)

正则表达式：一套规则，可以在字符串文本中进行搜查替换等

正则使用步骤：

1.使用 compile 函数将正则表达式的字符串编译成一个 pattern 对象

2.通过 pattern 对象的一些方法对文本进行匹配，匹配结果是一个 match 对象

3.用 match 对象的方法，对结果进行操作

正则的常用方法：

match：从开始位置开始查找，一次匹配，即1次匹配成功则退出

search：从任何位置开始查找，一次匹配

findall：全部匹配，返回列表

finditer：全部匹配，返回迭代器

split：分割字符串，返回列表

sub：替换

匹配中文

中文是Unicode编码(utf-8也是Unicode编码)，范围：主要在[u4e00-u9fa5]

中文全角逗号一类的不在[u4e00-u9fa5]范围内

贪婪与非贪婪模式

贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配

非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配

python里面数量词默认是贪婪模式

例如：

查找文本abbbbbbbccc

re结果是： ab*

贪婪模式结果是：abbbbbbb

非贪婪模式结果是：a

案例v23 match的基本使用

# 正则结果match的使用案例

import re

# 以下正则分成2个组，以小括号为单位

# [a-z]表示出现小写a-z任意字母都可以，+表示至少出现1次

# 两组之间有一个空格，表示匹配的两个英文字符之间有空格

s = r"([a-z]+) ([a-z]+)"

# 编译

pattern = re.compile(s, re.I) # s, I表示忽略大小写

m = pattern.match("Hello world wide web")

# group(0) 表示返回整个匹配成功的字符串，即所有小组

s = m.group(0)

print("所有小组的匹配结果：\n", s)

# 返回匹配成功的整个字符串的跨度，即所有小组

a = m.span(0)

print("所有小组的匹配结果跨度：\n", a)

# group(0) 表示返回的第一个分组匹配成功的字符串

s = m.group(1)

print("第1小组的匹配结果：\n", s)

# 返回匹配成功的整个字符串的跨度

a = m.span(1)

print("第1小组的匹配结果跨度：\n", s)

# groups() 打印出所有的小组，等价于m.group(1), m.group(2)...

s = m.groups()

print(s)

运行结果

从结果可以看到：匹配到两个小组，一个Hello，一个world，中间的空格是外面的，代码中包含一些具体的输出格式

案例v24 search的基本使用

# search的基本使用

import re

s = r'\d+'

pattern = re.compile(s)

# 无参数表示从头开始查找，到最后结束

m = pattern.search("one12two34three56")

print(m.group(0))

# 参数表明搜查的范围，例如：10-40

m = pattern.search("one12two34three56", 10, 40)

print(m.group(0))

运行结果

因为是从第10个开始查找，所以查到的是56

案例v25 findall，finditer的基本使用

# findall，finditer的基本使用

import re

s = r'\d+'

pattern = re.compile(s)

m = pattern.findall("I am 18 years old, and 185 high")

print(m)

n = pattern.finditer("I am 18 years old, and 185 high")

print(type(n))

# 迭代器使用for循环输出

for i in n:

# 只输出i会包含无用数据

print(i.group())

运行结果

查找所有匹配的字符串

匹配中文

# 中文unicode案例

import re

hello = u'你好，再见陌生人'

# 中文全角逗号一类的不在[u4e00-u9fa5]范围内

pattern = re.compile(r'[\u4e00-\u9fa5]+')

m = pattern.findall(hello)

print(m)

运行结果

因为中文全角逗号一类的不在[u4e00-u9fa5]范围内，所在 findall 返回的是一个列表，包含两个值

- 本笔记不允许任何个人和组织转载