我们能够使用urllib向网页请求并获取其网页数据。但是抓取信息数据量比较大,我们可能需要其中一小部分数据。对付刚才的难题,就需要正则表达式出马了。
re 模块
Python 自1.5版本起通过新增 re (Regular Expression 正则表达式)模块来提供对正则表达式的支持。使用 re 模块先将正则表达式填充到 Pattern 对象中,再把 Pattern 对象作为参数使用 match 方法去匹配的字符串文本。match 方法会返回一个 Match 对象,再通过 Match 对象会得到我们的信息并进行操作。下面介绍几个 re 常用的函数。
compile 函数
compile 是把正则表达式的模式和标识转化成正则表达式对象,供 match() 和 search() 这两个函数使用。它的函数语法如下:re.compile(pattern[, flags])
第一个参数是pattern,指的正则表达式。
第二个参数flags是匹配模式,是个可选参数。可以使用按位或'|'表示同时生效,也可以在正则表达式字符串中指定。匹配模式有以下几种:
该方法返回的结果是一个 Pattern 对象。
match 函数
match()函数只在字符串的开始位置尝试匹配正则表达式,也就是说只有在 0 位置匹配成功的话才有返回。如果不是开始位置匹配成功的话,match() 就返回 none。它的函数语法如下:re.match(pattern, string[, flags])
第一个参数:匹配的正则表达式
第二个参数:要被匹配的字符串
flags 是可选参数,跟 compile 用法相似
匹配成功 re.match 方法返回一个匹配的对象,否则返回None。要想获得匹配结果,既可以使用groups()函数获取一个包含所有字符串的元组(从 1 到 所含的小组号),也可以使用group(组号)函数获取某个组号的字符串。
match 函数用法的示例代码:import re
pattern = re.compile('Python')
text = 'Python python pythonn'
match = re.search(pattern, text)
if match:
print(match.group())
else:
print('没有匹配')
search 函数
search() 函数是扫描整个字符串来查找匹配,它返回结果是第一个成功匹配的字符串。re.search(pattern, string[, flags])
参数用法以及返回结果跟match函数用法相同。
search 函数用法的示例代码:import re
pattern = re.compile('Python')
text = 'welcome to Python world!'
match = re.search(pattern, text)
if match:
print(match.group())
else:
print('没有匹配')
findall 函数
findall函数在字符串中搜索子串,并以列表形式返回全部能匹配的所有子串。re.findall(pattern, string[, flags])
参数用法以及返回结果跟match函数用法相同。
findall 函数用法的示例代码:import re
pattern = re.compile('\d+')
text = 'one1two2three3four4'
list = re.findall(pattern, text)
if list:
print(list)
else:
print('没有匹配')