小白学爬虫(五) - 之 正则的基本使用

?什么是正则表达式

正则表达式是对字符串操作的一种逻辑公式，就是 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”，这个“规则字符” 来表达对字符的一种过滤逻辑。

正则并不是python独有的，其他语言也都有正则python中的正则，封装了re模块

w 匹配字母数字及下划线 W 匹配f非字母数字下划线 s 匹配任意空白字符，等价于[tnrf] S 匹配任意非空字符 d 匹配任意数字 D 匹配任意非数字 A 匹配字符串开始 Z 匹配字符串结束，如果存在换行，只匹配换行前的结束字符串 z 匹配字符串结束 G 匹配最后匹配完成的位置 n 匹配一个换行符 t 匹配一个制表符 ^ 匹配字符串的开头 $ 匹配字符串的末尾 . 匹配任意字符，除了换行符，re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符 [....] 用来表示一组字符，单独列出：[amk]匹配a,m或k [^...] 不在[]中的字符：[^abc]匹配除了a,b,c之外的字符 * 匹配0个或多个的表达式 + 匹配1个或者多个的表达式 ? 匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式 {n} 精确匹配n前面的表示 {m,m} 匹配n到m次由前面的正则表达式定义片段，贪婪模式 a|b 匹配a或者b () 匹配括号内的表达式，也表示一个组

尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配的话，match（）就会返回None语法格式：re.match(pattern,string,flags=0)

最常规的匹配

import re

content= "hello 123 4567 World_This is a regex Demo"
result = re.match('^hellosdddsd{4}sw{10}.*Demo$',content)
print(result)
print(result.group())
print(result.span())

结果如下：

result.group()获取匹配的结果result.span()获去匹配字符串的长度范围泛匹配

其实相对来说上面的方式并不是非常方便，其实可以将上述的正则规则进行更改

import re

content= "hello 123 4567 World_This is a regex Demo"
result = re.match("^hello.*Demo$",content)
print(result)
print(result.group())
print(result.span())

这段代码的结果和上面常规匹配的结果是一样的，但是写起来会方便很多

匹配目标

如果为了匹配字符串中具体的目标，则需要通过（）括起来，例子如下：

import re content= "hello 1234567 World_This is a regex Demo" result = re.match('^hellos(d+)sWorld.*Demo$',content) print(result) print(result.group()) print(result.group(1)) print(result.span())

结果如下：

这里需要说一下的是通过re.group()获得结果后，如果正则表达式中有括号，则re.group(1)获取的就是第一个括号中匹配的结果

贪婪匹配

先看下面代码：

import re

content= "hello 1234567 World_This is a regex Demo"
result= re.match('^hello.(d+).Demo',content)
print(result)
print(result.group(1))

这段代码的结果是

从结果中可以看出只匹配到了7，并没有匹配到1234567，出现这种情况的原因是前面的.* 给匹配掉了， .*在这里会尽可能的匹配多的内容，也就是我们所说的贪婪匹配，

如果我们想要匹配到1234567则需要将正则表达式改为：

这样结果就可以匹配到1234567

匹配模式

很多时候匹配的内容是存在换行的问题的，这个时候的就需要用到匹配模式re.S来匹配换行的内容

import re

content = """hello 123456 world_this
my name is zhaofan
"""

result =re.match('^he.?(d+).?zhaofan$',content,re.S)
print(result)
print(result.group())
print(result.group(1))

结果如下

转义

当我们要匹配的内容中存在特殊字符的时候，就需要用到转移符号,例子如下：

import re

content= "price is $5.00"

result = re.match('price is $5.00',content)
print(result)
print(result.group())

对上面的一个小结：尽量使用泛匹配，使用括号得到匹配目标，尽量使用非贪婪模式，有换行符就用re.S强调re.match是从字符串的起始位置匹配一个模式

re.search扫描整个字符串返回第一个成功匹配的结果

<div class="cnblogs_code">

import re
content = "extra things hello 123455 world_this is a Re Extra things"
result = re.search("hello.?(d+).?Re",content)

print(result)

print(result.group())

print(result.group(1))

结果如下：

其实这个时候我们就不需要在写^以及$，因为search是扫描整个字符串

注意：所以为了匹配方便，我们会更多的用search，不用match,match必须匹配头部，所以很多时候不是特别方便

匹配演练

例子1：

<div class="cnblogs_code">

import re
html = '''<div id="songs-list">

<h2 class="title">经典老歌