7正则表达式

在前面我们已经搞定了怎样获取页面的内容，不过还差一步，这么多杂乱的代码夹杂文字我们怎样把它提取出来整理呢？下面就开始介绍一个十分强大的工具，正则表达式！

1.了解正则表达式

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

正则表达式是用来匹配字符串非常强大的工具，在其他编程语言中同样有正则表达式的概念，Python同样不例外，利用了正则表达式，我们想要从返回的页面内容提取出我们想要的内容就易如反掌了。

正则表达式的大致匹配过程是：
1.依次拿出表达式和文本中的字符比较，
2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。
3.如果表达式中有量词或边界，这个过程会稍微有一些不同。

2.正则表达式的语法规则

下面是Python中正则表达式的一些匹配规则，图片资料来自CSDN

3.正则表达式相关注解

（1）数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字 符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式”ab*”如果用于查找”abbbc”，将找到”abbb”。而如果使用非贪婪的数量 词”ab*?”，将找到”a”。

注：我们一般使用非贪婪模式来提取。

（2）反斜杠问题

与大多数编程语言相 同，正则表达式里使用””作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符””，那么使用编程语言表示的正则表达式里将需要4个反 斜杠”\”：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。

Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r””表示。同样，匹配一个数字的”d”可以写成r”d”。有了原生字符串，妈妈也不用担心是不是漏写了反斜杠，写出来的表达式也更直观勒。

4.Python Re模块

Python 自带了re模块，它提供了对正则表达式的支持。主要用到的方法列举如下

#返回pattern对象
re.compile(string[,flag])
#以下为匹配所用函数
re.match(pattern,string[,flags])
re.search(pattern,flags])
re.split(pattern,maxsplit])
re.findall(pattern,flags])
re.finditer(pattern,flags])
re.sub(pattern,repl,count])
re.subn(pattern,count])

在介绍这几个方法之前，我们先来介绍一下pattern的概念，pattern可以理解为一个匹配模式，那么我们怎么获得这个匹配模式呢？很简单，我们需要利用re.compile方法就可以。例如

pattern=re.compile(r'hello')

另外大家可能注意到了另一个参数 flags，在这里解释一下这个参数的含义：

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。

可选值有：

re.I(全拼：IGNORECASE):忽略大小写（括号内是完整写法，下同）
re.M(全拼：MULTILINE):多行模式，改变'^'和'$'的行为（参见上图）
re.S(全拼：DOTALL):点任意匹配模式，改变'.'的行为
re.L(全拼：LOCALE):使预定字符类wWbBsS取决于当前区域设定
re.U(全拼：UNICODE):使预定字符类wWbBsSdD取决于unicode定义的字符属性
re.X(全拼：VERBOSE):详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

注：以下七个方法中的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。

（1）re.match(pattern,flags])

这个方法将会从string（我们要匹配的字符串）的开头开始，尝试匹配pattern，一直向后匹配，如果遇到无法匹配的字符，立即返回 None，如果匹配未结束已经到达string的末尾，也会返回None。两个结果均表示匹配失败，否则匹配pattern成功，同时匹配终止，不再对 string向后匹配。下面我们通过一个例子理解一下

__author__='CQC'
#-*-coding:utf-8-*-
#导入re模块
importre
#将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”
pattern=re.compile(r'hello')
#使用re.match匹配文本，获得匹配结果，无法匹配时将返回None
result1=re.match(pattern,'hello')
result2=re.match(pattern,'hellooCQC!')
result3=re.match(pattern,'heloCQC!')
result4=re.match(pattern,'helloCQC!')
#如果1匹配成功
ifresult1:
#使用Match获得分组信息
printresult1.group()
else:
print'1匹配失败！'
#如果2匹配成功
ifresult2:
#使用Match获得分组信息
printresult2.group()
else:
print'2匹配失败！'
#如果3匹配成功
ifresult3:
#使用Match获得分组信息
printresult3.group()
else:
print'3匹配失败！'
#如果4匹配成功
ifresult4:
#使用Match获得分组信息
printresult4.group()
else:
print'4匹配失败！'

运行结果

hello
hello
3匹配失败！
hello

匹配分析

1.第一个匹配，pattern正则表达式为’hello’，我们匹配的目标字符串string也为hello，从头至尾完全匹配，匹配成功。

2.第二个匹配，string为helloo CQC，从string头开始匹配pattern完全可以匹配，pattern匹配结束，同时匹配终止，后面的o CQC不再匹配，返回匹配成功的信息。

3.第三个匹配，string为helo CQC，从string头开始匹配pattern，发现到 ‘o’ 时无法完成匹配，匹配终止，返回None

4.第四个匹配，同第二个匹配原理，即使遇到了空格符也不会受影响。

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。

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。

下面我们用一个例子来体会一下

#-*-coding:utf-8-*-
#一个简单的match实例

importre

#匹配如下内容：单词+空格+单词+任意字符
m=re.match(r'(w+)(w+)(?P.*)','helloworld!')

print"m.string:",m.string
print"m.re:",m.re
print"m.pos:",m.pos
print"m.endpos:",m.endpos
print"m.lastindex:",m.lastindex
print"m.lastgroup:",m.lastgroup
print"m.group():",m.group()
print"m.group(1,2):",m.group(1,2)
print"m.groups():",m.groups()
print"m.groupdict():",m.groupdict()
print"m.start(2):",m.start(2)
print"m.end(2):",m.end(2)
print"m.span(2):",m.span(2)
printr"m.expand(r'ggg'):",m.expand(r'213')

###output###
#m.string:helloworld!
#m.re:
#m.pos:0
#m.endpos:12
#m.lastindex:3
#m.lastgroup:sign
#m.group(1,2):('hello','world')
#m.groups():('hello','world','!')
#m.groupdict():{'sign':'!'}
#m.start(2):6
#m.end(2):11
#m.span(2):(6,11)
#m.expand(r'213'):worldhello!

（2）re.search(pattern,255);">search方法与match方法极其类似，区别在于match()函数只检测re是不是在string的开始位置匹配，search()会扫描整个string查找匹配，match（）只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回None。同样，search方法的返回对象同样match()返回对象的方法和属性。我们用一个例子感受一下

#导入re模块
importre
#将正则表达式编译成Pattern对象
pattern=re.compile(r'world')
#使用search()查找匹配的子串，不存在能匹配的子串时将返回None
#这个例子中使用match()无法成功匹配
match=re.search(pattern,'helloworld!')
ifmatch:
#使用Match获得分组信息
printmatch.group()
###输出###
#world

（3）re.split(pattern,maxsplit])

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。

importre
pattern=re.compile(r'd+')
printre.split(pattern,'one1two2three3four4')
###输出###
#['one','two','three','four','']

Python

（4）re.findall(pattern,255);">搜索string，以列表形式返回全部能匹配的子串。我们通过这个例子来感受一下

importre
pattern=re.compile(r'd+')
printre.findall(pattern,'one1two2three3four4')
###输出###
#['1','2','3','4']

.findall# ['1','4']