Python网络爬虫之Re（正则表达式）库入门 学习笔记手札及代码实战

学习笔记手札及单元小结

Re库的基本使用

import re

re.search(pattern,string,flags=0)

在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象

>>> import re
>>> match = re.search(r'[1-9]\d{5}','BIT 100081')
>>> if match:
	print(match.group(0))

	
100081

re.match(pattern,string,flags=0)

从一个字符串的开始位置起匹配正则表达式，返回match对象

>>> import re
>>> match = re.match(r'[1-9]\d{5}','BIT 100081')
>>> if match:
	match.group(0)

	
>>> match.group(0)
Traceback (most recent call last):
  File "", line 1, in <module>
    match.group(0)
AttributeError: 'NoneType' object has no attribute 'group'
>>> match = re.match(r'[1-9]\d{5}','100081 BIT')
>>> if match:
	match.group(0)

	
'100081'

re.findall(pattern,string,flags=0)

搜索字符串，以列表类型返回全部能匹配的子串

>>> import re
>>> ls = re.findall(r'[1-9]\d{5}','BIT100081 TSU100084')
>>> ls
['100081', '100084']

re.split(pattern,string,maxsplit=0,flags=0)

将一个字符串按照正则表达式匹配结果进行分割，返回列表类型

>>> import re
>>> ls = re.findall(r'[1-9]\d{5}','BIT100081 TSU100084')
>>> ls
['100081', '100084']
>>> import re
>>> re.split(r'[1-9]\d{5}','BIT100081  TSU100084')
['BIT', '  TSU', '']
>>> re.split(r'[1-9]\d{5}','BIT100081  TSU100084',maxsplit=1)
['BIT', '  TSU100084']

re.finditer(pattern,string,flags=0)

搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象

>>> import re
>>> for m in re.finditer(r'[1-9]\d{5}','BIT100081  TSU100084'):
	if m:
		print(m.group(0))

		
100081
100084

re.sub(pattern,repl,string,count=0,flags=0)

在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串

>>> import re
>>> re.sub(r'[1-9]\d{5}',':zipcode','BIT100081 TSU100084')
'BIT:zipcode TSU:zipcode'

Re库的另一种等价用法

函数式用法：一次性操作

>>> rst = re.search(r'[1-9]\d{5}','BIT 100081')

面向对象用法：编译后的多次操作

>>> import re
>>> pat = re.compile(r'[1-9]\d{5}')
>>> rest = pat.search('BIT 100081')
>>> pat
re.compile('[1-9]\\d{5}')
>>> rest
<re.Match object; span=(4, 10), match='100081'>
>>> 

regex = re.compile(pattern,flags=0)

将正则表达式的字符串形式编译成正则表达式对象

>>> regex = re.compile(r'[1-9]\d{5}')

Re库的Match对象

Match对象介绍

Match对象是一次匹配的结果，包含匹配的很多信息

>>> import re
>>> regex = re.compile(r'[1-9]\d{5}')
>>> 
>>> import re
>>> match = re.search(r'[1-9]\d{5}','BIT 100081')
>>> if match:
	print(match.group(0))

	
100081
>>> type(match)

Match对象实例

>>> import re
>>> m = re.search(r'[1-9]\d{5}',"BIT100081  TSU100084")
>>> m.re
re.compile('[1-9]\\d{5}')
>>> m.pos
0
>>> m.endpos
20
>>> m.group(0)
'100081'
>>> m.start()
3
>>> m.end()
9
>>> m.span()
(3, 9)

Re库的贪婪匹配和最小匹配

贪婪匹配

Re库默认采用贪婪匹配，即输出匹配最长的子串

>>> match = re.search(r'PY.*N','PYANBNCNDN')
>>> match.group(0)
'PYANBNCNDN'

最小匹配