前言
前文介紹了正則表達(dá)式的定義和使用方法，今天我們就正式講解Python中是如何使用正則表達(dá)式的，最后，通過一個(gè)簡單的正則表達(dá)式運(yùn)用，爬取網(wǎng)絡(luò)中的網(wǎng)頁數(shù)據(jù)。
re庫使用
在Python中使用正則表達(dá)式，需要re這個(gè)第三方庫，這個(gè)庫是python自帶的，不需要自己安裝。
re庫中有很多函數(shù)方法供我們使用，我們就一一簡單介紹下使用方法。
match函數(shù)
從字符串的起始位置匹配一個(gè)模式，如果不是起始位置匹配成功的話，match就返回none。
re.match(pattern, string, flags=0)
- pattern：匹配的正則表達(dá)式
- string：匹配的字符串
- flags：標(biāo)志位，用于控制正則表達(dá)式的匹配方式
其實(shí)flags就是我們前文中說的可選標(biāo)記（修飾符），如果需要使用多個(gè)修飾符，可以通過按位 OR(|) 它們來指定。如 re.I | re.M 被設(shè)置成 I 和 M 標(biāo)志。
我們來看下案例：
import re
text = 'Welcom to Wuhan'
print(re.match('welcom',text,re.I))
print(re.match('welcom',text,re.I).group())
print(re.match('welcom',text,re.I).span())
print(re.match('to',text))
# <re.Match object; span=(0, 6), match='Welcom'>
# Welcom
# (0, 6)
# None
該函數(shù)返回的是個(gè)對(duì)象（包括匹配的子字符串和在句中的位置索引），如果只需要子字符串，需要用 group() 函數(shù)，索引用span()函數(shù)。
search函數(shù)
不同于match函數(shù)，search函數(shù)掃描整個(gè)字符串并返回第一個(gè)成功的匹配。
re.search(pattern, string, flags=0)
import re
text = 'Welcom to Wuhan'
print(re.search('welcom',text,re.I))
print(re.search('to',text))
#<re.Match object; span=(0, 6), match='Welcom'>
# <re.Match object; span=(7, 9), match='to'>
findall函數(shù)
這個(gè)函數(shù)是我們經(jīng)常要使用的函數(shù)，使用率極高，他在字符串中找到正則表達(dá)式所匹配的所有子串，并返回一個(gè)列表，如果沒有找到匹配的，則返回空列表。
findall(pattern, string, flags=0)
import re
text = '123abc456dfg'
result = re.findall("\d+", text)
print(result)
# ['123', '456']
finditer函數(shù)
和 findall 類似，在字符串中找到正則表達(dá)式所匹配的所有子串，并把它們作為一個(gè)迭代器返回。
re.finditer(pattern, string, flags=0)
import re
text = '123abc456dfg'
result = re.finditer("\d+", text)
for i in result:
print(i.group())
# 123
# 456
sub函數(shù)
將符合的匹配項(xiàng)替換成其他的字符串。
re.sub(pattern, repl, string, count=0, flags=0)
import re
text = '123abc456dfg'
result = re.sub("\d+", '---', text)
print(result)
# ---abc---dfg
split函數(shù)
split 方法按照能夠匹配的子串將字符串分割后返回列表。
re.split(pattern, string[, maxsplit=0, flags=0])
import re
text = '123abc456dfg'
result = re.split("\d+", text)
print(result)
# ['', 'abc', 'dfg']
compile函數(shù)
這個(gè)函數(shù)會(huì)返回一個(gè)正則表達(dá)式（ Pattern ）對(duì)象，供其他函數(shù)使用。多次使用某個(gè)正則表達(dá)式時(shí)推薦使用正則對(duì)象Pattern 以增加復(fù)用性。
import re
text = '123abc456dfg'
pattern = re.compile("\d+")
result = pattern.findall(text)
print(result)
# ['123', '456']
爬蟲小案例
其實(shí)我們?cè)谂老x時(shí)，用的最多的就是findall函數(shù)，我們以糗事百科的段子為例（https://www.qiushibaike.com/text/）。
我們需要獲取每個(gè)發(fā)段子的用戶名稱，我們打開網(wǎng)頁的源代碼，可以發(fā)現(xiàn)所有的用戶名稱都在h2標(biāo)簽中。
所以，我們的正則表達(dá)式寫成下面的樣子
<h2>(.*?)</h2>
最終的代碼如下：
import requests
import re
url = 'https://www.qiushibaike.com/text/'
res = requests.get(url)
names = re.findall("<h2>(.*?)</h2>",res.text,re.S)
print(names)
學(xué)到這里，我希望讀者可以舉一反三，把這個(gè)爬蟲代碼完善哦~
