python爬虫学习笔记(三)——re库

python爬虫学习——re库

 实战——淘宝商品比价定向爬取

实战——股票数据定向爬取

#正则表达式的概念

正则表达式是用来简介表示一组字符串的表达式，是通用的字符串简洁表达框架

正则表达式在文本处理中十分常用

• 表达文本类型的特征(病毒，入侵等)
• 同时查找或替换一组字符串
• 匹配字符串的全部或部分

正则表达式的语法：

正则表达式语法由字符和操作符组成

正则表达式的常用操作符

.	表示任何单个字符
[]	字符集,对单个字符给出取值范围 [a,b,c]表示a，b，c，[a,z]表示a到z单个字符
[^]	字符集，对单个字符给去排除范围 [^abc]表示非4或b或c的单个字符
*	前一个字符0次或无限次扩展 abc*表示ab，abc，abcc等等
+	前一个字符1次或无限次扩展 abc+表示abc，abcc等等
？	前一个字符0次或1次扩展 abc？表示ab，abc
|	左右表达式任意一个 abc|def 表示abc或def
{m}	扩展前一个字符m次 ab{2}c表示abbc
{m,n}	扩展前一个字符m至n次(含n) ab{1,2}c 表示abc，abbc
^	匹配字符串的开头 ^abc表示abc且在一个字符串的开头

$	匹配字符串结尾 abc$表示abc且在一个字符串的结尾
()	分组标记，内部只能使用 | 操作符 (abc)表示abc，(abc|def)表示abc，def
\d	数字，等价于[0-9]
\w	单词字符，等价于[A-Z a-z 0-9]

正则表达式实例                                                           对应字符串

P(Y|YT|YTH|YTHO)?N                            PN，PYN，PYTN，PYTHN，PYTHON

PYTHON+                                                   PYTHON，PYTHONN，……

PY[TH]ON                                                   PYTON，PYHON

PY[^TH]?ON                                              PYON，PYaON，PYbON……

PY{:3}N                                                       PN，PYN，PYYN，PYYYN

经典正则表达式实例

^[A-Za-z]+$                                由26个字母组成的字符串

^[A-Za-z0-9]+$                         由26个字母和数字组成的字符串

^-?\d+$                                       整数形式的字符串

^[0-9]*[1-9][0-9]*$                  正整数形式的字符串

[1-9]\d{5}                                    中国境内邮政编码 6位

[\u4e00-\u9fa5]                         匹配中文字符

\d{3}-\d{8}|\d{4}-\d{7}          国内电话号码

(([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]) ip地址

#re库的基本使用

re库采用raw string类型表示正则表达式：r'text'

而string类型繁琐且要转义

re库的主要函数

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

语法：

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

• pattern：正则表达式的字符串或原生字符串表示
• string：待匹配的字符串
• flags：正则表达式使用时的控制标记

常用标记 说明

re.I	忽略正则表达式的大小写，[A-Z]能够匹配小写字符
re.M	正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
re.S	正则表达式中的.操作符能够匹配所有字符，默认匹配换行除外的所有字符

2.re.match(pattern,string,flags=0)                         在一个字符串开始位置起匹配正则表达式，返回match对象

3.re.findall(pattern,string,flags=0)                        搜索字符串，以列表类型返回全部能匹配的子串

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

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(pattern,repl,string,count=0,flags=0)    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

• repl：替换匹配字符串的字符串
• count：匹配的最大替换数

re库的另外一种等价用法：函数式用法和面向对象法

import re
rst=re.search(r'[1-9]\d{5}','BIT 100081') #函数式用法：一次性操作
pat=re.compile(r'[1-9]\d{5}') #面向对象用法：编译后的多次操作
rst=pat.search('BIT 100081')

#re库的match对象

match对象就是一次匹配的结果，包含了匹配的相关信息

re库的贪婪匹配和最小匹配

同时匹配长短不同的多项，返回哪一个？

Re库默认采用贪婪匹配，即输出匹配的最长的字串

最小匹配：如何输出最短的字串

最小匹配操作符

操作符	说明
*？	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