爬虫学习笔记-正则表达式

正则表达式re
import re
全称：regular expression

首先，简单表达一组字符串

'PN','PYN','PYTN','PYTHN','PYTHON'
regex="P(Y|YT|YTH|YTHO)?N"
P=re.compile(regex)

re的作用：
1，表达文本类型的特征
2，同时查找或者替换一组字符串
3，匹配字符串的全部部分
编译：将符合正则表达式语的字符串转换成正则表达式的特征。

主要由字符和操作符组成。

.    #表任何单个字符                            []    #字符集
[^]  #非字符集，单个字符给出排除范围              *    #前一个字符0次或无限次扩展
+    #前一个字符1次或无限次扩展                  ？    #前一个字符0次或无限次扩展    
!    #左右表达式各一个
{m}  #扩展前边一个字符m次                    {m,n}    #扩展前边一个字符0次到n次
^    #匹配字符串的开头 eg. ^abc                 $     #匹配字符串的结尾 eg. abc$
()   #分组标记，内部只能使用|操作符             \d     #数字，等价于0-9
\w   #单词字符，等价于[A-Za-z0-9]
#例子
^[A-Za-z]+$             #26字母字符串
^[A-Za-z0-9]+$          #字母数字组成的字符串
^-?\d+$                 #整数形式字符串
^[0-9]*[0-9][1-9]*$     #正整数形式字符串
[1-9]\d{5}              #国内6位数邮政编码
[\u4e00-\u9fa5]         #匹配中文字符
\d{3}-\d{8}|\d{4}-\d{7} #国内电话号码

re库的使用：
raw string类型，原生字符串类型r‘text’
例如r’[1-9]\d{5}’

当正则表达式中含有转义符的时候，使用raw string

因为在string中，\会被当作转义符，所以每个\都要变成\

0~99:    [1-9]?\d
100~199: 1\d{2}
200~249: 2[0-4]\d
250~255: 25[0-5]

#re的功能函数
re.search()     #匹配正则表达式第一个位置，返回match对象
re.match()      #从一个字符串开始位置匹配正则表达式，返回match对象
re.findall()    #搜索字符串，以列表形式返回全部
re.split()      #将一个正则表达式按照正则表达式结果分割，返回列表类型
re.finditer()   #搜索字符串，返回正则表达式迭代类型，每个迭代元素是match对象
re.sub()        #在一个字符串替换所有匹配正则表达式的字串，返回替换后的

re.search(pattern,string,flags=0)
#pattern指string或者raw string
#string指待匹配字符串
#flags指控制标记，主要有：
re.I   re.IGNORECASE  #忽略大小写
re.M   re.MULTILINE   # ^ 能将给定string的每行当作匹配开始
re.S   re.DOTALL      # . 默认匹配除换行外所有的字符，现在可以匹配所有字符

#re库的函数式用法
#1
rst=re.search()
#2,面向对象
pat=re.compile()#编译成正则表达式
rst=pat.search()

#match对象的属性
.string  待匹配文本
.re      匹配时的re对象
.pos     正表搜索文本的开始位置
.endpos  正表搜索文本的结束位置

.group(0)   获得匹配后的字符
.start()    匹配在原始字符串开始的位置
.end()      匹配在原始字符串结束的位置
.span()     返回（.start(),.end()）

关于贪婪匹配和最小匹配：

贪婪匹配是匹配并输出相符的最长字符串，而最小匹配可以输出所有字符串

*?   #前一个字符0次或者无限次无限扩展，最小匹配，基础用的最多的就是  .*?
+?   #前一个字符1次或者无限次无限扩展，最小匹配
??   #前一个字符0次或者1次扩展，最小匹配
{m,n}#扩展前一个字符串m次到n次