从零开始的python爬虫教程(Day03)

简介

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正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。(来源于百度文库)

常用匹配规则

详细匹配规则请参考菜鸟教程。

01 普通字符

在正则表达式里面写入普通字符，则可以直接匹配出来。

02 元字符

字符	作用
\w	匹配字母、数字、下划线
\W	匹配非字母、非数字、非下划线
\s	匹配空白字符
\S	匹配非空白字符
\d	匹配数字
\D	匹配非数字
\A	匹配字符串开头
\z	匹配字符串结尾(包括换行)
\Z	匹配字符串结尾(不包括换行)
\n	匹配换行符
\t	匹配制表符
^	匹配字符串开头
$	匹配字符串结尾
*	匹配0个以上的任意字符
+	匹配1个以上的任意字符

03 限定符

字符	作用
[]	匹配一组字符，匹配[]内的任意字符
()	匹配括号内的表达式，或一个组
|	a|b匹配a或b
{n}	匹配n个前面的表达式
?	匹配0-1个前面的表达式定义的片段
{m,n}	匹配m-n个前面的表达式定义的片段

04 特殊字符

由于正则表达式里面的很多字符都有其独特的作用，故此，需要用一种方式来匹配这些有作用的字符。

就是在这些字符前面加上“\”。

这些字符包括：

特殊字符	匹配方法
^	\^
*	\*
+	\+
.	\.
?	\?
|	\|
[]	\[
{}	\{
()	\ ( \ )
\	\\

05 修饰符

修饰符为正则表达式里面添加的标志，用于控制匹配模式。

修饰符	作用
re.I	匹配对大小写不敏感
re.M	可以匹配多行
re.S	使.可以匹配换行
re.U	匹配Unicode解析字符

re库的部分方法

01 match

match会从字符串的头开始进行匹配，如果开头不匹配，则返回None。

sentence = "Hello! I'm 12218. ✧٩(ˊωˋ*)و✧"

text = re.match(r'^Hello.*?(\d+).*', sentence)
print(text)
print(text.group())
print(text.group(0)) # group()和group(0)作用一样，都是匹配到的全部字符串
print(text.group(1)) # group(1)是取匹配到的第一个字符串

02 search

search会从字符串的任意位置开始进行匹配，如果非发现匹配部分，则返回None。

text = re.search(r'ello.*?(\d+).*', sentence) # search会从字符串的任意位置开始进行匹配
print(text)
print(text.group())
print(text.group(0))
print(text.group(1))

03 findall

findall是从字符串里面寻找所有符合条件的匹配部分，匹配部分返回一个列表类型，如果非发现匹配部分，则返回空列表。

text = re.findall(r'\d', sentence) # findall是从字符串里面寻找所有符合条件的匹配部分
print(text)
print(type(text))

04 compile

compile的方法是用于将一个正则表达式编译成一个正则表达式对象，以便重复使用。

content = re.compile(r'.*?(\d+).*?') # 将一个正则表达式编译成一个正则表达式对象，可以更方便地使用
text = re.findall(content, sentence)
print(text)

代码下载

完整版代码请移步我的GitHub。