Python爬虫(十)_正则表达式
2017-12-03 21:25
253 查看
本篇将介绍python正则表达式,更多内容请参考:【python正则表达式】
什么是正则表达式
正则表达式,又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。正则表达式是对字符串操作的一种逻辑公式,就是用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“规则字符串”,这个“规则字符串”用来表达对字符串的一些过滤逻辑。
给定一个正则表达式和另一个字符串,我们可以达到如下的目的:
给定的字符串是否符合正则表达式的过滤逻辑(“匹配”)
通过正则表达式,从文本字符串中获取到我们想要的特定部分(“过滤”)
正则表达式匹配规则
Python的re模块
在python中,我们可以使用内置的re模块来使用正则表达式。有一点需要特别注意的是,正则表达式使用对特殊字符进行转义,所以如果我们要使用原始字符串,只需要一个r前缀,示例:
r'chuanzhiboke\t\.\tpython'
re模块的一般使用步骤如下:
使用compile()函数将正则表达式的字符串形式编译为一个
Pattern对象
通过
Pattern对象提供的一系列方法将文本进行匹配查找,获得匹配结果(一个Match对象)
最后使用
Match对象提供的属性和方法获得信息,根据需要进行其他的操作。
compile对象
compile函数用于编译正则表达式,生成一个Pattern对象,它的一般使用形式如下:import re #将正则表达式编译为Pattern对象 pattern = re.compile(r'\d+')
在上面,我们已将一个正则表达式编译成Pattern对象,接下来,我们就可以利用pattern的一系列方法对文本进行匹配查找了。
Pattern对象的一些常用方法主要有:
match对象:从起始位置开始查找,一次匹配。
search对象:从任何位置开始查找,一次匹配。
findall()对象:全部匹配,返回列表。
finditer()对象:全部匹配,返回迭代器。
spilt()对象:分割字符串,返回列表
sub()对象:替换
match 方法
match方法用于查找字符串的头部(也可以指定起始位置),它是一次匹配,只要找到了一个匹配的结果返回,而不是查找所有匹配的结果,它的一般使用形式如下:
match(string[, pos[, endpos]])
其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置,默认值分别是0和len(字符串长度)。因此,当你不指定pos和endpos时,match方法默认匹配字符串的头部。
当匹配成功时,返回一个Match对象,如果没有匹配上,则返回None。
>>>import re >>>pattern = re.compile(r'\d+') #用于匹配至少一个数字 >>>m = pattern.match('one12twothree34four') #查找头部,没有匹配 >>>print(m) #如果没有匹配上,就什么也不输出 >>>m = pattern.match('one12twothree34four', 2, 10) #从'e'的位置开始匹配,没有匹配到 >>>print(m) >>>m = pattern.match('one12twothree34four', 3, 10) #从'1' 的位置开始匹配,正好匹配上 >>>print(m) <_sre.SRE_Match object at 0x10a42aac0> >>>m.group(0) #可忽略0 '12' >>>m.start(0) #可忽略0 3 >>>m.end(0) #可忽略0 5 >>>m.span(0) #可忽略0 (3, 5)
在上面,当匹配成功时返回一个Match对象,其中:
group([group1,...])方法用于获得一个或多个分组匹配的字符串,当要获得整个匹配字符串的子串时,可直接使用group()或group(0);
start([group])方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引),参数默认值为0;
end([group])方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1),参数默认值是0
span([group])方法返回(start[group], end(group))
>>>import re >>>pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) #表示忽略大小写 >>>m = pattern.match('hello world wide web') >>>print(m) #匹配成功,返回一个Match对象 <_sre.SRE_Match object at 0x10bea83e8> >>>m.group(0) #返回匹配成功的整个子串 'Hello World' >>>m.span(0) #返回匹配成功的整个子串 (0, 11) >>>m.group(1) #返回第一个分组匹配成功的子串 'Hello' >>>m.span(1) #返回第一个分组匹配成功 (0, 5) >>>m.group(2) #返回第2个分组匹配成功的子串 'World' >>>m.span(2) #返回第2个分组匹配成功的子串的位置 (6, 11) >>>m.groups() #等价于(m.group(1), m.group(2), ...) ('Hello', 'World') >>>m.group(3) #不存在第3个分组 Traceback (most recent call last): File "<stdin>", line 1, in <module> IndexError: no such group
search方法
search方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一个匹配的结果就返回,而不是查找所有匹配的结果,它的一般使用形式如下:
search[string[, pos[, endpos]]]
其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置,默认值分别是0和len(字符串长度)。
当匹配成功时,返回一个Match对象,如果没有匹配上,则返回None。
让我们看看例子:
>>>import re >>>pattern = re.compile('\d+') >>>m = pattern.search('one12twothree34four') #这里如果使用match方法则不匹配 >>>m <_sre.SRE_Match object at 0x10cc03ac0> >>>m.group() '12' >>>m = pattern.search('one12twothree34four', 10, 30) #指定字符串区间 >>>m <_sre.SRE_Match object at 0x10cc03b28> >>>m.group() '34' >>>m.span() (13, 15)
在看一个例子:
# coding:utf-8 import re #将正则表达式编译成Pattern对象 pattern = re.compile(r'\d+') #使用search()方法查找匹配的字符串,不存在匹配的子串时将不返回 m = pattern.search('hello 123456 789') if m: #使用Match获得分组信息 print('matching string:',m.group()) #起始位置和结束位置 print('position: ',m.span())
执行结果:
matching string: 123456 position:(6,12)
findall 方法
上面的match和search方法都是一次匹配,只要找到了一个匹配的结果就返回。然而,在大多数时候,我们需要搜索整个字符串,获得所有匹配的结果。
findall方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string是待匹配的字符串,pos和endpos是可选参数,指定字符串的起始和终点位置分别是0和len(字符串长度)。
findall是以列表形式返回全部能匹配到的子串,如果没有匹配,则返回一个空列表。
import re pattern = re.compile(r'\d+') #查找数字 result1 = pattern.findall('hello 123456 789') result2 = pattern.findall('one1two2three3four4', 0, 10) print(result1) print(2)
执行结果如下:
['123456', '789'] ['1', '2']
再来看一个例子:
import re #re模块提供一个方法叫compile提供,提供我们输入一个匹配的规则 #然后返回一个pattern实例,我们根据这个规则去匹配字符串 pattern = re.compile(r'd+\.\d*') #通过pattern.findall()方法能够全部匹配到我们得到的字符串 result = pattern.findall("123.141593, 'bigcat', 232312, 3.15") #findall以列表形式 返回全部能匹配到的子串给result for item in result: print(item)
运行结果:
123.141593 3.15
finditer方法
finditer方法的行为跟findall的行为类似,也是搜索整个字符串,获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match对象)的迭代器。
#coding:utf-8 import re pattern = re.compile(r'\d+') result1 = pattern.finditer('hello 123456 789') result2 = pattern.finditer('one1two2three3four4', 0, 10) print(result1) print(result2) print('result1....') for m1 in result1: print("matching string:{} position:{}".format(m1.group(), m1.span())) print('result2....') for m2 in result2: print("matching string:{} position:{}".format(m2.group(), m2.span()))
执行结果:
<type 'callable-iterator'> <type 'callable-iterator'> result1. matching string: 123456, position: (6, 12) matching string: 789, position: (13, 16) result2 matching string: 1, position: (3, 4) matching string: 2, position: (7, 8)
split 方法
split方法按照能够匹配的子串将字符串分割后返回列表,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit用于指导最大分割次数,不知道静全部分割。
看看例子:
import re p = re.compile(r'[\s\,;]+') print(p.split('a,b;;c d'))
执行结果:
['a', 'b', 'c', 'd']
sub方法
sub方法用于替换。它的使用形式如下:
sub(repl, string[, count])
其中,repl可以是字符串也可以是一函数:
如果repl是字符串,则会使用repl去替换字符串每一个匹配的子串,并返回替换后的字符串,repl还可以使用id的形式来引用过分组,但不能使用编号0;
如果repl是函数,这个方法应当只接受一个参数(Match对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
count用于指导最多替换次数,不指定时全部替换。
看看例子:
import re p = re.compile(r'(\w+) (\w+)') #\w=[A-Za-z0-9] s = 'hello 123, hello 456' print(p.sub(r'hello world', s)) #使用'hello world'替换'hello 123'和'hello 456' print(p.sub(r'\2 \1', s)) def func(m): return 'hi' + ' ' + m.group(2) print(p.sub(func, s)) print(p.sub(func, s, 1))
执行结果:
hello world, hello world 123 hello, 456 hello hi 123, hi 456 hi 123, hello 456
匹配中文
在某些情况下,我们想要匹配文本中的汉字,有一点需要注意的是,中文的unicode编码范围主要在[u4e00-u9fa5],这里说主要是因为这个范围并不完整,比如没有包括全角(中文)标点,不过,在大部分情况下,应该是够用的。
假设现在想把字符串title=u'你好,hello,世界'中的中文提取出来,可以这么做:
import re title = u'你好,hello,世界' pattern = re.compile(u'[\u4e00-\u9fa5]+') result = pattern.findall(title) print(result)
注意到,我们在正则表达式前面加上了前缀u,u表示unicode字符串。
执行结果:
['你好', '世界']
注意:贪婪模式与非贪婪模式
贪婪模式:在整个表达式匹配成功的前提下,尽可能多的匹配(*);
非贪婪模式:在整个表达式匹配成功的前提下,尽可能少的匹配(?);
Python里数量词默认是贪婪的。
实例一:源字符串:abbbc
使用贪婪的数量词的正则表达式ab+,匹配结果:abbb。
*决定了尽可能多匹配b,所以a后面所有的b都出现了。
使用非贪婪的数量词的正则表达式
ab*?,匹配结果:a。
即使前面有
*,但是
?决定了尽可能少匹配b,所以没有b。
实例二:源字符串:aa<div>test1</div>bb<div>test2</div>cc
使用贪婪的数量词的正则表达式:<div>.*</div>
匹配结果:
<div>test1</div>bb<div>test2</div>
这里采用的是贪婪模式。在匹配到第一个“
</div>”时已经可以使整个表达式匹配成功,但是由于采用的是贪婪模式,所以仍然要向右尝试匹配,查看是否还有更长的可以成功匹配的子串。匹配到第二个“
</div>”后,向右再没有可以成功匹配的子串,匹配结束,匹配结果为“
<div>test1</div>bb<div>test2</div>”
使用非贪婪的数量词的正则表达式:
<div>.*?</div>
匹配结果:
<div>test1</div>
正则表达式二采用的是非贪婪模式,在匹配到第一个“
</div>”时使整个表达式匹配成功,由于采用的是非贪婪模式,所以结束匹配,不再向右尝试,匹配结果为“
<div>test1</div>”。
参考
正则表达式测试网址廖雪峰-正则表达式
Python正则匹配中文与编码总结
相关文章推荐
- python爬虫训练——正则表达式+BeautifulSoup爬图片
- Python爬虫入门笔记:正则表达式
- Python爬虫入门(7):正则表达式
- 【Python爬虫实战--3】html写正则表达式
- 【Python爬虫学习笔记(2)】正则表达式(re模块)相关知识点总结
- Python爬虫入门——正则表达式
- python爬虫的一些小小问题、python动态正则表达式
- Python爬虫入门(7):正则表达式
- python爬虫下载极客学院视频
- python爬虫初级--获取指定页面上的菜单名称以及链接,然后导出
- python爬虫selenium爬取开开贷黑名单
- 【爬虫学习3】Python爬取动态页面思路(一)
- Python爬虫完整案例 - 爬取百度百科词条信息
- python 简单爬虫之网页解析器 beautifusoup4插件应用
- Python3 爬虫笔记, 顺带mysql编码解决方案
- 使用python爬虫抓取学术论文
- python爬虫入门
- python爬虫文章
- 实战技巧:python语言的一些爬虫技巧!
- Python爬虫之Pixiv(续)