python正则表达式提取信息_Python网络爬虫与信息提取（三）（正则表达式的基础语法）...

①信息组织与提取方法

信息标记的三种形式：XML、JSON、YAML

三种信息标记形式的比较：

XML ==> 最早的通用信息标记语言，可扩展性好，但繁琐；是Internet上的信息交互与传递。

JSON ==> 信息有类型，适合程序处理(js)，较XML繁琐；用于移动应用云端和节点的信息通信，无注释。

YAML ==> 信息无类型，文本信息比例较高，可读性好；用于各类系统的配置文件，有注释易读。

实例一：获取中国大学排名信息(定向爬虫)

程序的结构设计

步骤1：从网络上获取大学排名网页内容  getHTMLText()

步骤2：提取网页内容中信息到合适的数据结构 fileUnivList()

步骤3：利用数据结构展示并输出结果printUnivList()

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

②正则表达式的常用操作符

③经典正则表达式实例

^[A-Za-z]+$ 表示由26个字母组成的字符串

^[A-Za-z0-9]+$表示由26个字母和数字组成的字符串

^-?\d+$表示整数形式的字符串

^[0-9]*[1-9][0-9]*$表示正整数形式的字符串

[1-9]\d{5}表示中国境内邮政编码，6位

[\u4e00-\u9fa5]表示匹配中文字符

\d{3}-\d{8}|\d{4}-\d{7}表示国内电话号码，例如010-68913536

④匹配IP地址的正则表达式(IP地址分4段，每段0~255)

精确写法：

0~99： [1-9]?\d

100~199:  1\d{2}

200~249:  2[0-4]\d

250~255:  25[0-5]

则IP地址的正则表达式精确写法：

(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])

⑤re库(正则表达式库)的使用

调用方法：import re

Re库主要功能函数：

1)re.search() ==> 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

2)re.match() ==> 在一个字符串的开始位置起匹配正则表达式，返回match对象

3)re.findall() ==> 搜索字符串，以列表类型返回全部能匹配的子串

4)re.split() ==> 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

5)re.finditer() ==> 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

6)re.sub() ==> 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

接下来分别阐述：

1)re.search(pattern,string,flags=0)

pattern:正则表达式的字符串或原生字符串

string:待匹配字符串

flags:正则表达式使用时的控制标记

2)re.match(pattern,string,flags=0)

从一个字符串的开始位置起匹配正则表达式，返回一个match对象

4)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；

pattern:正则表达式的字符串或原生字符串表示

string:待匹配字符串

maxsplit:最大分割数，剩余部分作为最后一个元素输出

flags:正则表达式使用时的控制标记

⑥re库的match对象

1)Match对象的属性：

.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 ==> 正则表达式搜索文本的结束位置

2)Match对象的方法

.group(0) ==> 获得匹配后的字符串

.start() ==> 匹配字符串在原始字符串的结束位置

.span() ==> 返回(.start(),.end())

⑦re库的贪婪匹配和最小匹配

最小匹配操作符：

*？ ==> 前一个字符0次或无限次扩展，最小匹配

+？ ==> 前一个字符1次或无限次扩展，最小匹配

？？ ==> 前一个字符0次或1次扩展，最小匹配

{m,n}? ==> 扩展前一个字符m至n次(含n)，最小匹配