快使用Ctrl+D收藏本站!如果本站的文章以及资源有帮助到您,希望您能赞助本站服务器费用,感谢您的支持!本站开放注册,现邀请您一起分享技术心得!您可以-注册-

Python3.6爬虫入门自学教程之九:python中的正则表达式学习

Python爬虫 Julius_wen 734℃ 0评论
大家可以点击去看一下,详细了解一下正则表达式的语法。这里给大家推荐一个在线工具,方便大家以后调试正则表达式:

2.正则表达式的语法规则

这里我强烈建议大家,先看看上面推荐的那篇教程,然后再回过头来看下面这幅图。你会明白很多的,不然会很晕的:

3.正则表达式的相关注释

1.字符串数量的贪婪与非贪婪表示形式

当正则表达式中包含能接受重复的限定符时,通常的行为是(在使整个表达式能得到匹配的前提下)匹配尽可能多的字符。以这个表达式为例:a.*b,它将会匹配最长的以a开始,以b结束的字符串。如果用它来搜索aabab的话,它会匹配整个字符串aabab。这被称为贪婪匹配。

有时,我们更需要懒惰匹配,也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式,只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复,但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧:

a.*?b匹配最短的,以a开始,以b结束的字符串。如果把它应用于aabab的话,它会匹配aab(第一到第三个字符)ab(第四到第五个字符)

为什么第一个匹配是aab(第一到第三个字符)而不是ab(第二到第三个字符)?简单地说,因为正则表达式有另一条规则,比懒惰/贪婪规则的优先级更高:最先开始的匹配拥有最高的优先权——The match that begins earliest wins。

表5.懒惰限定符
代码/语法 说明
*? 重复任意次,但尽可能少重复
+? 重复1次或更多次,但尽可能少重复
?? 重复0次或1次,但尽可能少重复
{n,m}? 重复n到m次,但尽可能少重复
{n,}? 重复n次以上,但尽可能少重复

2.转义字符需要额外注意

如果你想查找元字符本身的话,比如你查找.,或者*,就出现了问题:你没办法指定它们,因为它们会被解释成别的意思。这时你就得使用\来取消这些字符的特殊意义。因此,你应该使用\.\*。当然,要查找\本身,你也得用\\.

例如:deerchao\.net匹配deerchao.netC:\\Windows匹配C:\Windows

4.正则表达式之Re模块常用方法简介

Python 自带了re模块,它提供了对正则表达式的支持。这一节,我们就来大致的了解一下re模块中的内容。

打开我们常用的python3.6 标准库网站:https://docs.python.org/3.6/library/re.html,找到6.2章节正则表达式。本节我们要分析的内容全部在这个链接里。(很不幸,全是英语……)6.2.1是正则表达式的语法,建议直接看上面第一节和第二节的讲解,然后大致简单浏览一下标准库网站的6.2.1语法说明部分内容。

这里我们要着重看一下6.2.2部分的内容。

Module Contents

The module defines several functions, constants, and an exception. Some of the functions are simplified versions of the full featured methods for compiled regular expressions. Most non-trivial applications always use the compiled form.

该模块定义了几个函数、常量和一个异常。有些函数是编译正则表达式的全功能方法的简化版本。大多数重要的应用程序总是使用compiled后的表单。

其主要包括以下方法:(ps:这些内容,在标准库网站都能找到,只不过全是英文的……)

1。re。match(pattern, string[, flags])

如果字符串开头的零或多个字符与正则表达式模式匹配,则返回相应的匹配对象。如果字符串与模式不匹配,则返回None;注意,这与零长度匹配不同。

即使在多行模式下,re.match()也只会在字符串的开头匹配,而不会在每行的开头匹配。 如果您想要在字符串中的任何地方找到匹配项,请使用search()(参见search()和match()))。

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

扫描字符串,查找正则表达式模式产生匹配的第一个位置,并返回相应的匹配对象。如果字符串中没有与模式匹配的位置,则返回None;注意,这与在字符串的某个点找到零长度匹配是不同的。

3.re.split(pattern, string, maxsplit=0, flags=0)

通过模式的出现分割字符串。如果在模式中使用捕获括号,那么模式中所有组的文本也将作为结果列表的一部分返回。如果maxsplit是非零的,那么最多会发生maxsplit split,并且字符串的其余部分作为列表的最后元素返回。

4.re.findall(pattern, string, flags=0)

返回字符串中所有模式的非重叠匹配,如字符串列表。从左到右扫描字符串,并按找到的顺序返回匹配项。如果模式中存在一个或多个组,则返回组列表;如果模式有多个组,这将是一个元组列表。结果中包含空匹配项。

5.re.finditer(pattern, string, flags=0)

返回一个迭代器,在字符串中的所有非重叠匹配中产生匹配对象。从左到右扫描字符串,并按找到的顺序返回匹配项。结果中包含空匹配项。请参见关于findall()的说明。

还有三个不一一介绍了,大家自己打开标准库链接进行学习查看。

大家应该注意到re.findall(pattern, string, flags=0),每一个方法括号中传入的参数都有一个flag,这个flag参数可选值,在上面提到的标准库说明链接中都有详细说明和介绍,大家自己去看。参数flag是匹配模式,取值可以使用按位或运算符’|’表示同时生效,比如re。I | re。M。

5.几个常用方法详细解析

上面re模块中的8个方法,均需要传入pattern参数,注:以上8个方法中的flags同样是代表匹配模式的意思,如果在pattern生成时已经指明了flags,那么在下面的方法中就不需要传入这个参数了。

下面详细介绍一下这8个方法:

1.re.match(pattern, string[, flags])

1.re.match(pattern, string[, flags])

如果字符串开头的零或多个字符与正则表达式模式匹配,则返回相应的匹配对象。如果字符串与模式不匹配,则返回None;注意,这与零长度匹配不同。

即使在多行模式下,re.match()也只会在字符串的开头匹配,而不会在每行的开头匹配。 如果您想要在字符串中的任何地方找到匹配项,请使用search()(参见search()和match()))。

运行结果如下:

我们还看到最后打印出了result.group(),这个是什么意思呢?下面我们说一下关于match对象的的属性和方法
Match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用Match提供的可读属性或方法来获取这些信息

在上面提到的python标准库6.2.4部分,有关于match对象的讲解,这个对象有一些对应的方法可以调用。这里希望大家能自己打开下面下面这个链接进行学习了解:https://docs.python.org/3.6/library/re.html#re.findall找到6.2.4

属性:
1.string: 匹配时使用的文本。
2.re: 匹配时使用的Pattern对象。
3.pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4.endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5.lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。
6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。

方法:
1.group([group1, …]):
获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。
2.groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。
3.groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。
4.start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。
5.end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组,但不能使用编号0。\id与\g是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符’0’,只能使用\g0。

这些内容,在上面提到链接6.2.4有详细的介绍,大家可以去看看。

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

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

扫描字符串,查找正则表达式模式产生匹配的第一个位置,并返回相应的匹配对象。如果字符串中没有与模式匹配的位置,则返回None;注意,这与在字符串的某个点找到零长度匹配是不同的。

3.re.fullmatch(pattern, string, flags=0)

如果整个字符串匹配正则表达式模式,则返回相应的匹配对象。如果字符串与模式不匹配,则返回None;注意,这与零长度匹配不同。必须是全词匹配。

4.re.split(pattern, string, maxsplit=0, flags=0)

按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数,不指定将全部分割。我们通过下面的例子感受一下。

5.re.findall(pattern, string, flags=0)

对应的运行结果如下:

6.re.finditer(pattern, string, flags=0)

搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器(索引)。我们通过下面的例子来感受一下

7.re.sub(pattern, repl, string, count=0, flags=0)

使用repl替换string中每一个匹配的子串后返回替换后的字符串。当repl是一个字符串时,可以使用\id或\g、\g引用分组,但不能使用编号0。当repl是一个方法时,这个方法应当只接受一个参数(Match对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
count用于指定最多替换次数,不指定时全部替换。

8.re.subn(pattern, repl, string, count=0, flags=0)

返回 (sub(repl, string[, count]), 替换次数)。

6.本篇小结

这篇博文,本人在写的过程中大约也用了7个小时左右。我在写的过程中也加深了自己对正则表达式的理解,感谢大家的支持,下面的博文将带大家一起做一些小项目练手了。

转载请注明:燕骏博客 » Python3.6爬虫入门自学教程之九:python中的正则表达式学习

赞赏作者

微信赞赏支付宝赞赏

喜欢 (1)or分享 (0)

如果您喜欢本站文章,感觉本站的资源对您有帮助,请狠狠点击下面

每累计赞助40元,即可让本站按最低配置运行一个月,感谢您的支持!

发表我的评论
取消评论

表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
订阅号“环宇工控博客-欢迎关注”

分类目录

标签云

猜你喜欢

微信公众号

欢迎您关注本站公众号“环宇工控博客”获得更多资源

本站Q群

  • 燕骏博客官方群1
  • QQ群号:617046231
棋牌娱乐app送彩金 娱乐平台加微信送彩金 下载就送彩金的棋牌 网上现金赌博送彩金 可以免费送彩金的网站 可以免费送彩金的网站 2019年无需申请送彩金 彩票大赢家走势图 菲斯特机器人 皇家赌场送彩金