python爬虫编程实践 Task2--Re(正则表达式)入门（实战：淘宝商品比价定向爬虫）

Re库(正则表达式)入门

正则表达式是用来简洁表达一组字符串的表达式，是一种通用的字符串表达框架，可以用来判断某字符串的特征属性

正则表达式在文本处理中十分常用：

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

1 正则表达式的语法

正则表达式语法由字符和操作符构成

常用操作符	说明	实例
.	表示任何单个字符
[ ]	字符集，对单个字符给出取值范围	[abc]表示a、 b、 c， [a‐z]表示a到z单个字符
[^ ]	非字符集，对单个字符给出排除范围	[^abc]表示非a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、 abccc等
+	前一个字符1次或无限次扩展	abc+ 表示 abc、 abcc、 abccc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、 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‐Za‐z0‐9_ ]

经典正则表达式实例

表达式	说明
^ [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}

匹配IP地址的正则表达式

2 re库的基本使用

• 调用方式：import re
• re库采用raw string类型表示正则表达式，表示为：r’text’，raw string是不包含对转义符再次转义的字符串

re库的主要功能函数：

函数	说明
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
re.match()	从一个字符串的开始位置起匹配正则表达式，返回match对象
re.findall()	搜索字符串，以列表类型返回全部能匹配的子串
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
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
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

Match对象介绍

Match对象是一次匹配的结果，包含匹配的很多信息

match = re.search(r'[1‐9]\d{5}', 'BIT 100081')
if match:
	print(match.group(0))
>> 100081

type(match)
>> <class '_sre.SRE_Match'>

match对象的属性	说明
.string	待匹配的文本
.re	匹配时使用的patter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

match对象的方法	说明