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" 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" 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$',content)
print(result)
print(result.group())
print(result.group(1))
print(result.span())
结果如下: 这里需要说一下的是通过re.group()获得结果后,如果正则表达式中有括号,则re.group(1)获取的就是第一个括号中匹配的结果 贪婪匹配 先看下面代码: import re
content= "hello 1234567 World_This is a regex Demo" 这段代码的结果是 从结果中可以看出只匹配到了7,并没有匹配到1234567,出现这种情况的原因是前面的.* 给匹配掉了, .*在这里会尽可能的匹配多的内容,也就是我们所说的贪婪匹配, 如果我们想要匹配到1234567则需要将正则表达式改为:
这样结果就可以匹配到1234567 匹配模式 很多时候匹配的内容是存在换行的问题的,这个时候的就需要用到匹配模式re.S来匹配换行的内容 import re
content = """hello 123456 world_this result =re.match('^he.?(d+).?zhaofan$',content,re.S) 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 $5.00',content) 对上面的一个小结:尽量使用泛匹配,使用括号得到匹配目标,尽量使用非贪婪模式,有换行符就用re.S强调re.match是从字符串的起始位置匹配一个模式 re.search扫描整个字符串返回第一个成功匹配的结果 <div class="cnblogs_code"> import re
结果如下: 其实这个时候我们就不需要在写^以及$,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
结果为: 搜索字符串,以列表的形式返回全部能匹配的子串 代码例子如下: import re
'''
html = '''<div id="songs-list"> results = re.findall('<li.?href="(.?)".?singer="(.?)">(.*?)',re.S) 结果如下: 例子2: import re
'''
html = '''<div id="songs-list"> results = re.findall('<li.?>s?(<a.?>)?(w+)()?s?',re.S) 结果如下: 其实这里我们就可以看出 s*? 这种用法其实就是为了解决有的有换行,有的没有换行的问题 ()? 这种用法是因为html中有的有a标签,有的没有的,?表示匹配一个或0个,正好可以用于匹配 替换字符串中每一个匹配的子串后返回替换后的字符串 re.sub(正则表达式,替换成的字符串,原字符串) 例子1 import re
content = "Extra things hello 123455 World_this is a regex Demo extra things" content = re.sub('d+','',content) 结果会讲数字替换为为空: 例子2,在有些情况下我们替换字符的时候,还想获取我们匹配的字符串,然后在后面添加一些内容,可以通过下面方式实现: import re
content = "Extra things hello 123455 World_this is a regex Demo extra things" content = re.sub('(d+)',r'1 7890',content) 结果如下: 这里需要注意的一个问题是1是获取第一个匹配的结果,为了防止转义字符的问题,我们需要在前面加上r re.compile 将正则表达式编译成正则表达式对象,方便复用该正则表达式 <div class="cnblogs_code"> import re
content= """hello 12345 world_this
123 fan
"""
获取豆瓣网书籍的页面的书籍信息,通过正则实现 <div class="cnblogs_code"> import requests
import re
content = requests.get('https://book.douban.com/').text
pattern = re.compile('
结果如下: (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |