python基于正则爬虫-小笔记

一、re.match()，从字符串的起始位置开始匹配，比如hello，匹配模式第一个字符必须为 h

1、re.match()，模式'^hello.*Demo$'，匹配字符串符合正则的所有内容

import re

content= "hello 123 4567 World_This is a regex Demo"
result = re.match('^hello.*Demo$',content)
print(result.group())

 

 2、()、group(1)，匹配字符串中的某个字符串，匹配数字 (\d+)

group()匹配全部，group(1)匹配第一个()

import re
content= "hello 123 4567 World_This is a regex Demo"
result = re.match('^hello\s(\d+)\s(\d+)\sWorld.*Demo$',content)
print(result.group(2))

3、\s只能匹配一个空格，若有多个空格呢，hello     123，用 \s+ 即可

4、匹配空格、或任意字符串，.*，为贪婪模式，会影响后面的匹配，比如 .*(\d+)，因此用 .*? 代替\s+

4.1 贪婪模式

import re
content= "hello 123 4567 World_This is a regex Demo"
result = re.match('^hello.*(\d+)\s(\d+)\sWorld.*Demo$',content)
print(result.group(1))

输出 3

4.2 非贪婪模式

import re
content= "hello 123 4567 World_This is a regex Demo"
result = re.match('^hello.*?(\d+).*?(\d+)\sWorld.*Demo$',content)
print(result.group(1))

输出123

5、匹配 123 4567，(.*?)

import re
content= "hello 123 4567 World_This is a regex Demo"
result = re.match('^hello\s+(.*?)\s+World.*Demo$',content)
print(result.group(1))

输出 123 4567

 

当匹配特殊字符时，用转义，$5.00，转为后 \$5\.00

 二、re.search()，扫描整个字符串，比如hello，匹配模式第一个不一定必须为 h，可以是 e

 网上其它文章写的比较混乱，没有写出re.match与re.search之间的区别，只是写了一个re.search使用案例，无法让新手朋友深入理解各个模式之间的区别

1、这里在用前面的案例，匹配 “123 4567”

import re
content= "hello 123 4567 World_This is a regex Demo"
result = re.search('ello\s+(.*?)\s+World.*Demo$',content)     #从ello开始，re.match()必须从 h 开始
print(result.group(1))

输出 123 4567

 

2、匹配任意标签的内容，比如

，.*?active.*?xxxxx

往事随风

re.search('(.*?)',html,re.S)       #当有多个

可以指定任意的标签，当active不同时，用正则re会比BeautifulSoup简单。

 

三、re.findall，列表语法来匹配字符串，不是 group(1)

以列表形式返回匹配的内容，语法与re.search一样

re.search：通过 group(1) 来匹配字符串

re.findall：通过列表语法来匹配字符串，不是 group(1)

 

re.findall('(.*?)',html,re.S) 

输出 [('齐秦', '往事随风')]，列表内部是一个元组

print(result)

for x in result:

  print(x[0])       #元组('齐秦', '往事随风')，对此元组的切片

 

 

四、re.compile

若多次复用某个写好的正则，用 re.compile("正则")

import re
content= """hello 12345 world_this
123 fan
"""

pattern =re.compile("hello.*fan",re.S)

result = re.match(pattern,content)
print(result)
print(result.group())