re匹配字符串的中间一段_爬虫利器之 re 模块

无情未必真豪杰，怜子如何不丈夫

鲁迅

前言

对于文本的过滤或者规则的匹配，最强大的就是正则表达式。

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个"规则字符串"，这个"规则字符串"用来表达对字符串的一种过滤逻辑。

正则表达式匹配规则

re 模块

在 python 中，使用内置模块 re 来表达正则表达式。

1、re模块的一般使用步骤

• 使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象。

• 通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。

• 最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作。

2、compile函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象。

import re# 将正则表达式编译成 Pattern 对象pattern = re.compile(r'\d+')

以上代码已经将一个正则表达式编译成一个 Pattern 对象，以便利用 pattern 的一系列方法对文本进行匹配查找了。

Pattern 对象的一些常用方法主要有：

• match 方法：从起始位置开始查找，一次匹配。

• search 方法：从任何位置开始查找，一次匹配。

• findall 方法：全部匹配，返回列表。

• finditer 方法：全部匹配，返回迭代器。

• spilt 方法：分割字符串，返回列表。

• sub 方法：替换。

3、match方法

match方法用于查找字符串的头部(也可以指定起始位置)，它是一次匹配，只要找到了一个匹配结果就返回，而不是查找所有的结果，它的一般使用形式如下：

match(string[,pos[,endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

>>> import re>>> pattern = re.compile(r'\d+') #用于匹配至少一个数字>>> m = pattern.match('one2three4four5') #查找头部，没有匹配>>> print(m)None>>> m = pattern.match('one2three4four5',3,10) #从索引为3的位置开始查找>>> print(m) #返回一个 match 对象<_sre.sre_match object span="(<span">3, >>> m.group()'2'>>> m.start()3>>> m.end()4>>> m.span()(3, 4)

再看一个例子：

>>> import re>>> pattern = re.compile(r'([a-z]+) ([a-z]+)',re.I) #匹配两个字符，中间用空格隔开，re.I 表示忽略大小写>>> m = pattern.match('Hello World Wide Web')>>> print(m) #匹配成功，返回一个 match 对象<_sre.sre_match object span="(<span">0, >>> m.group() #返回匹配成功的整个子串'Hello World'>>> m.span() #返回匹配成功的整个字串的索引(0, 11)>>> m.group(1) #返回第一个分组匹配成功的子串'Hello'>>> m.group(2) #返回第二个分组匹配成功的子串'World'>>> m.groups() #等价于 (m.group(1), m.group(2), ...)('Hello', 'World')>>> m.group(3) #不存在第三分组Traceback (most recent call last):  File "", line 1, in <module>IndexError: no such group

4、search方法

search 方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：

search(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

让我们看看例子：

>>> import re>>> pattern = re.compile('\d+') #用于匹配至少一个数字>>> m = pattern.search('one12twothree34four') #全局匹配，之匹配一次>>> m<_sre.sre_match object span="(<span">3, >>> m.group()'12'>>> m = pattern.search('one12twothree34four',10,30) #指定位置匹配>>> m<_sre.sre_match object span="(<span">13, >>> m.span() #起始位置和终止位置(13, 15)

5、findall方法

findall 方法的使用形式如下：

findall(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

import repattern = re.compile(r'\d+')  # 至少匹配一个数字result1 = pattern.findall('hello 123456 789')result2 = pattern.findall('one1two2three3', 0, 10)print(result1)print(result2)

结果：

C:\Users\Lin\Desktop>python3 test.py['123456', '789']['1', '2']

6、finditer

finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。

import repattern = re.compile(r'\d+')result_iter1 = pattern.finditer('hello 123456 789')result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)print(type(result_iter1))print(type(result_iter2))print('result1...')for m1 in result_iter1:   # m1 是 Match 对象    print('matching string: {}, position: {}'.format(m1.group(), m1.span()))print('result2...')for m2 in result_iter2:    print('matching string: {}, position: {}'.format(m2.group(), m2.span()))

结果：

C:\Users\Lin\Desktop>python3 test.py<class 'callable_iterator'><class 'callable_iterator'>result1...matching string: 123456, position: (6, 12)matching string: 789, position: (13, 16)result2...matching string: 1, position: (3, 4)matching string: 2, position: (7, 8)

7、split方法

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

import rep = re.compile(r'[\s\,\;]+') #\s表示空白字符，该正则匹配空白字符，逗号，分号print(p.split('a,b;; c  d'))

结果：

C:\Users\Lin\Desktop>python3 test.py['a', 'b', 'c', 'd']

8、sub方法

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：

• 如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；

• 如果 repl 是函数，这个方法应当只接受一个参数(Match 对象)，并返回一个字符串用于替换(返回的字符串中不能再引用分组)。

• count 用于指定最多替换次数，不指定时全部替换。

import rep = re.compile(r'(\w+) (\w+)')  # \w = [A-Za-z0-9]s = 'hello 123, hello 456'print(p.sub(r'hello word', s))  # 使用 hello world 替换 hello 123 和 hello 456print(p.sub(r'\2 \1', s))  # 引用分组def func(m):    print(m)    return 'hi' + ' ' + m.group(2)print(p.sub(func, s))print(p.sub(func, s, 1))

结果：

C:\Users\Lin\Desktop>python3 test.pyhello word, hello word123 hello, 456 hello<_sre.SRE_Match object; span=(0, 9), match='hello 123'><_sre.SRE_Match object; span=(11, 20), match='hello 456'>hi 123, hi 456<_sre.SRE_Match object; span=(0, 9), match='hello 123'>hi 123, hello 456

9、匹配中文

在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的 unicode 编码范围 主要在 [u4e00-u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角(中文)标点，不过，在大部分情况下，应该是够用的。

假设现在想把字符串 title = u'你好，hello，世界' 中的中文提取出来，可以这么做：

import retitle = '你好，hello，世界'pattern = re.compile(r'[\u4e00-\u9fa5]+')result = pattern.findall(title)print(result)

结果：

C:\Users\Lin\Desktop>python3 test.py['你好', '世界']

10、贪婪模式与非贪婪模式

• 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里数量词默认是贪婪的。

示例一：源字符串：abbbc

① 使用贪婪的数量词的政策表达式 ab*，匹配结果：abbb

*决定了尽可能多匹配 b，所以 a 后面所有的 b 都出现了。

② 使用非贪婪的数量词的正则表达式 ab*?，匹配结果：a

即使前面有 * ，但是 ? 决定了尽可能地少匹配 b ，所以没有 b。

示例二：源字符串：aa

test1

bb

test2

cc

① 使用贪婪地数量词的正则表达式：

.*

匹配结果：

test1

bb

test2

这里采用的是贪婪模式。在匹配到第一个"

"时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个"

"后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为"

test1

bb

test2

"

② 使用非贪婪匹配数量词的正则表达式：

.*?

匹配结果：

test1

正则表达式二采用的是非贪婪模式，在匹配到第一个"

"时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为"