什么是正則表達(dá)式？

Python爬蟲(chóng)在獲得網(wǎng)頁(yè)的content之后，要通過(guò)一系列解析和查找去提取你想要的信息，這個(gè)時(shí)候正則表達(dá)式就起到了很大的作用。

正則表達(dá)式是對(duì)字符串操作的一種邏輯公式，就是事先定義好的一些特定字符、及這些特定字符的組合，組成 個(gè)“規(guī)則字符”，這個(gè)“規(guī)則字符” 來(lái)表達(dá)對(duì)字符的種過(guò)濾邏輯。

正則并不是python獨(dú)有的，其他語(yǔ)言也都有正則。python中的正則，封裝在了re模塊。

常用的匹配模式

\w 匹配字母數(shù)字及下劃線
\W 匹配f非字母數(shù)字下劃線
\s 匹配任意空白字符，等價(jià)于[\t\n\r\f]
\S 匹配任意非空字符
\d 匹配任意數(shù)字
\D 匹配任意非數(shù)字
\A 匹配字符串開(kāi)始
\Z 匹配字符串結(jié)束，如果存在換行，只匹配換行前的結(jié)束字符串
\z 匹配字符串結(jié)束
\G 匹配最后匹配完成的位置
\n 匹配一個(gè)換行符
\t 匹配一個(gè)制表符
^  匹配字符串的開(kāi)頭
\$ 匹配字符串的末尾
.  匹配任意字符，除了換行符，re.DOTALL標(biāo)記被指定時(shí)，則可以匹配包括換行符的任意字符
[....]  用來(lái)表示一組字符，單獨(dú)列出：[amk]匹配a,m或k
[^...] 代表不在[]中的字符，[^abc]匹配除了a,b,c之外的字符
*匹配0個(gè)或多個(gè)的表達(dá)式
+匹配1個(gè)或者多個(gè)的表達(dá)式
?匹配0個(gè)或1個(gè)由前面的正則表達(dá)式定義的片段，非貪婪方式
{n}     精確匹配n前面的表示
{m,m}   匹配n到m次由前面的正則表達(dá)式定義片段，貪婪模式
a|b     匹配a或者b
()      匹配括號(hào)內(nèi)的表達(dá)式，也表示一個(gè)組

re.match()

嘗試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（）就會(huì)返回None。語(yǔ)法格式：re.match(pattern,string,flags=0)

import re

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

• result.group()獲取匹配的結(jié)果
• result.span()獲去匹配字符串的長(zhǎng)度范圍

泛匹配

其實(shí)相對(duì)來(lái)說(shuō)上面的方式并不是非常方便，其實(shí)可以將上述的正則規(guī)則進(jìn)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())

這段代碼的結(jié)果和上面常規(guī)匹配的結(jié)果是一樣的，但是寫(xiě)起來(lái)會(huì)方便很多。

匹配目標(biāo)

如果為了匹配字符串中具體的目標(biāo)，則需要通過(guò)（）括起來(lái)，通過(guò)re.group()獲得結(jié)果后，如果正則表達(dá)式中有括號(hào)，則re.group(1)獲取的就是第一個(gè)括號(hào)中匹配的結(jié)果。例子如下：

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

貪婪匹配

import re

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

result.group(1)會(huì)返回7而不是1234567，這是因?yàn)槟J(rèn)是貪婪匹配，前面的.*會(huì)盡可能多的匹配字符。如果想得到1234567，則需要改為result= re.match('^he.*?(\d+).*Demo',content)，這樣結(jié)果就可以匹配到1234567。

匹配模式

很多時(shí)候匹配的內(nèi)容是存在換行的問(wèn)題的，這個(gè)時(shí)候的就需要用到匹配模式re.S來(lái)匹配換行的內(nèi)容。

import re

content = """hello 123456 world_this
my name is jamesqiu
"""
result =re.match('^he.*?(\d+).*?jamesqiu$',content,re.S)
print(result)
print(result.group())
print(result.group(1))

轉(zhuǎn)義

當(dāng)我們要匹配的內(nèi)容中存在特殊字符的時(shí)候，就需要用到轉(zhuǎn)移符號(hào),例子如下：

import re

content= "price is $5.00"
result = re.match('price is \$5\.00',content)
print(result)
print(result.group())

小結(jié)

• 盡量使用泛匹配，使用括號(hào)得到匹配目標(biāo)，盡量使用非貪婪模式，有換行符就用re.S
• 強(qiáng)調(diào)re.match是從字符串的起始位置匹配一個(gè)模式

re.search

re.search掃描整個(gè)字符串返回第一個(gè)成功匹配的結(jié)果：

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))

其實(shí)這個(gè)時(shí)候我們就不需要在寫(xiě)^以及$，因?yàn)閟earch是掃描整個(gè)字符串。注意：所以為了匹配方便，我們會(huì)更多的用search，不用match，match必須匹配頭部，所以很多時(shí)候不是特別方便。

re.findall()

搜索字符串，以列表的形式返回全部能匹配的子串。

re.sub()

re.sub(正則表達(dá)式，替換成的字符串，原字符串)

import re

content = "Extra things hello 123455 World_this is a regex Demo extra things"
content = re.sub('\d+','',content)
print(content)

結(jié)果會(huì)將數(shù)字替換為為空。

re.compile()

將正則表達(dá)式編譯成正則表達(dá)式對(duì)象，方便復(fù)用該正則表達(dá)式。

import re
content= """hello 12345 world_this
fan
"""
pattern =re.compile("hello.*fan",re.S)
result = re.match(pattern,content)
print(result)
print(result.group())