Python3 爬蟲學習筆記03-正則表達式（re）

1.了解正則表達式

正則表達式是對字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個“規(guī)則字符串”，這個“規(guī)則字符串”用來表達對字符串的一種過濾邏輯。
正則表達式是用來匹配字符串非常強大的工具，在其他編程語言中同樣有正則表達式的概念，Python同樣不例外，利用了正則表達式，我們想要從返回的頁面內容提取出我們想要的內容就易如反掌了。

正則表達式的大致匹配過程是：

  1. 依次拿出表達式和文本中的字符比較，
  2. 如果每一個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。
  3. 如果表達式中有量詞或邊界，這個過程會稍微有一些不同。

2.正則表達式的語法規(guī)則

下面是Python中正則表達式的一些匹配規(guī)則，圖片資料來自CSDN


正則表達式的語法規(guī)則

3.正則表達式相關注解

3.1 數量詞的貪婪模式與非貪婪模式

正則表達式通常用于在文本中查找匹配的字符串。Python里數量詞默認是貪婪的（在少數語言里也可能是默認非貪婪），總是嘗試匹配盡可能多的字符；非貪婪的則相反，總是嘗試匹配盡可能少的字符。

例如：正則表達式”ab”如果用于查找”abbbc”，將找到”abbb”。而如果使用非貪婪的數量詞”ab?”，將找到”a”。

注：我們一般使用非貪婪模式來提取。

3.2 反斜杠問題

與大多數編程語言相同，正則表達式里使用”\”作為轉義字符，這就可能造成反斜杠困擾。假如你需要匹配文本中的字符”\”，那么使用編程語言表示的正則表達式里將需要4個反斜杠”\\”：前兩個和后兩個分別用于在編程語言里轉義成反斜杠，轉換成兩個反斜杠后再在正則表達式里轉義成一個反斜杠。

Python里的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用r”\”表示。同樣，匹配一個數字的”\d”可以寫成r”\d”。有了原生字符串，媽媽也不用擔心是不是漏寫了反斜杠，寫出來的表達式也更直觀勒。

4. Python Re模塊

Python 自帶了re模塊，它提供了對正則表達式的支持。主要用到的方法列舉如下

#返回pattern對象
re.compile(string[,flag])  
#以下為匹配所用函數
re.match(pattern, string[, flags])
re.search(pattern, string[, flags])
re.split(pattern, string[, maxsplit])
re.findall(pattern, string[, flags])
re.finditer(pattern, string[, flags])
re.sub(pattern, repl, string[, count])
re.subn(pattern, repl, string[, count])

在介紹這幾個方法之前，我們先來介紹一下pattern的概念，pattern可以理解為一個匹配模式，那么我們怎么獲得這個匹配模式呢？很簡單，我們需要利用re.compile方法就可以。例如

pattern = re.compile(r'hello')

在參數中我們傳入了原生字符串對象，通過compile方法編譯生成一個pattern對象，然后我們利用這個對象來進行進一步的匹配。

另外大家可能注意到了另一個參數 flags，在這里解釋一下這個參數的含義：
參數flag是匹配模式，取值可以使用按位或運算符’|’表示同時生效，比如re.I | re.M。

可選值有：

  • re.I(全拼：IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
  • re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
  • re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行為
  • re.L(全拼：LOCALE): 使預定字符類 \w \W \b \B \s \S 取決于當前區(qū)域設定
  • re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性
  • re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。

在剛才所說的另外幾個方法例如 re.match 里我們就需要用到這個pattern了，下面我們一一介紹。

注：以下七個方法中的flags同樣是代表匹配模式的意思，如果在pattern生成時已經指明了flags，那么在下面的方法中就不需要傳入這個參數了。

4.1 re.match(pattern, string[, flags])

這個方法將會從string（我們要匹配的字符串）的開頭開始，嘗試匹配pattern，一直向后匹配，如果遇到無法匹配的字符，立即返回None，如果匹配未結束已經到達string的末尾，也會返回None。兩個結果均表示匹配失敗，否則匹配pattern成功，同時匹配終止，不再對string向后匹配。下面我們通過一個例子理解一下

# -*- coding: utf-8 -*-
import re #導入re模塊
 
# 將正則表達式編譯成Pattern對象，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，獲得匹配結果，無法匹配時將返回None
result1 = re.match(pattern,'hello')
result2 = re.match(pattern,'helloo CQC!')
result3 = re.match(pattern,'helo CQC!')
result4 = re.match(pattern,'hello CQC!')
 
#如果1匹配成功
if result1:
    # 使用Match獲得分組信息
    print (result1.group())
else:
    print ('1匹配失??！')
 
 
#如果2匹配成功
if result2:
    # 使用Match獲得分組信息
    print (result2.group())
else:
    print ('2匹配失敗！')
 
 
#如果3匹配成功
if result3:
    # 使用Match獲得分組信息
    print (result3.group())
else:
    print ('3匹配失??！')
 
#如果4匹配成功
if result4:
    # 使用Match獲得分組信息
    print (result4.group())
else:
    print ('4匹配失??！')

運行結果:

hello
hello
3匹配失?。?hello

匹配分析

  1. 第一個匹配，pattern正則表達式為’hello’，我們匹配的目標字符串string也為hello，從頭至尾完全匹配，匹配成功。
  2. 第二個匹配，string為helloo CQC，從string頭開始匹配pattern完全可以匹配，pattern匹配結束，同時匹配終止，后面的o CQC不再匹配，返回匹配成功的信息。
  3. 第三個匹配，string為helo CQC，從string頭開始匹配pattern，發(fā)現到 ‘o’ 時無法完成匹配，匹配終止，返回None
  4. 第四個匹配，同第二個匹配原理，即使遇到了空格符也不會受影響。

我們還看到最后打印出了result.group()，這個是什么意思呢？下面我們說一下關于match對象的的屬性和方法
Match對象是一次匹配的結果，包含了很多關于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性：

string: 匹配時使用的文本。
re: 匹配時使用的Pattern對象。
pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。

方法：

group([group1, …]):獲得一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
groups([default]):以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。
groupdict([default]):返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
start([group]):返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。
end([group]):返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。
span([group]):返回(start(group), end(group))。
expand(template):將匹配到的分組代入template中然后返回。template中可以使用\id或\g、\g引用分組，但不能使用編號0。\id與\g是等價的；但\10將被認為是第10個分組，如果你想表達\1之后是字符’0’，只能使用\g0。

下面我們用一個例子來體會一下

# -*- coding: utf-8 -*-
#一個簡單的match實例
 
import re
# 匹配如下內容：單詞+空格+單詞+任意字符
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
 
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))
print (r"m.expand(r'\g \g\g'):", m.expand(r'\2 \1\3'))

### output ###
# m.string: hello world!
# 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'\2 \1\3'): world hello!

4.2 re.search(pattern, string[, flags])

search方法與match方法極其類似，區(qū)別在于match()函數只檢測re是不是在string的開始位置匹配，search()會掃描整個string查找匹配，match（）只有在0位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match()就返回None。同樣，search方法的返回對象同樣match()返回對象的方法和屬性。我們用一個例子感受一下

#導入re模塊
import re
 
# 將正則表達式編譯成Pattern對象
pattern = re.compile(r'world')
# 使用search()查找匹配的子串，不存在能匹配的子串時將返回None
# 這個例子中使用match()無法成功匹配
match = re.search(pattern,'hello world!')
if match:
    # 使用Match獲得分組信息
    print (match.group())

### 輸出 ###
# world

4.3 re.split(pattern, string[, maxsplit])

按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數，不指定將全部分割。我們通過下面的例子感受一下。

import re
 
pattern = re.compile(r'\d+')
print (re.split(pattern,'one1two2three3four4'))

### 輸出 ###
# ['one', 'two', 'three', 'four', '']

4.4 re.findall(pattern, string[, flags])

搜索string，以列表形式返回全部能匹配的子串。我們通過這個例子來感受一下

import re
 
pattern = re.compile(r'\d+')
print (re.findall(pattern,'one1two2three3four4'))

### 輸出 ###
# ['1', '2', '3', '4']

4.5 re.finditer(pattern, string[, flags])

搜索string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。我們通過下面的例子來感受一下

import re
 
pattern = re.compile(r'\d+')
for m in re.finditer(pattern,'one1two2three3four4'):
    print (m.group())

### 輸出 ###
# 1 2 3 4

4.6 re.sub(pattern, repl, string[, count])

使用repl替換string中每一個匹配的子串后返回替換后的字符串。
當repl是一個字符串時，可以使用\id或\g、\g引用分組，但不能使用編號0。
當repl是一個方法時，這個方法應當只接受一個參數（Match對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。
count用于指定最多替換次數，不指定時全部替換。

import re
 
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
 
print (re.sub(pattern,r'\2 \1', s))
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print (re.sub(pattern,func, s))

### output ###
# say i, world hello!
# I Say, Hello World!

4.7 re.subn(pattern, repl, string[, count])

返回 (sub(repl, string[, count]), 替換次數)。

import re
 
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
 
print (re.subn(pattern,r'\2 \1', s))
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print (re.subn(pattern,func, s))

### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

5. Python Re模塊的另一種使用方式

在上面我們介紹了7個工具方法，例如match，search等等，不過調用方式都是 re.match，re.search的方式，其實還有另外一種調用方式，可以通過pattern.match，pattern.search調用，這樣調用便不用將pattern作為第一個參數傳入了，大家想怎樣調用皆可。

函數API列表

 match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
 search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
 split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])
 findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
 finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])
 sub(repl, string[, count]) | re.sub(pattern, repl, string[, count])
 subn(repl, string[, count]) |re.sub(pattern, repl, string[, count])

具體的調用方法不必詳說了，原理都類似，只是參數的變化不同。

最后編輯于 ：
?著作權歸作者所有,轉載或內容合作請聯系作者
【社區(qū)內容提示】社區(qū)部分內容疑似由AI輔助生成，瀏覽時請結合常識與多方信息審慎甄別。
平臺聲明：文章內容（如有圖片或視頻亦包括在內）由作者上傳并發(fā)布，文章內容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。

友情鏈接更多精彩內容