python爬虫学习21

python爬虫学习21

这是关于match未完下半部分，本来是想昨天…哎不说了
上半部分的传送门

三、正则表达式

2.match

依照惯例，先把对照表附上来：

2-3 贪婪与非贪婪

之前我们一同学习了match方法的匹配，但是我们有时候匹配到的内容却不是我们想要的结果:

# 贪婪与非贪婪
import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*(\d+).*Demo$', content)
print(result)
print(result.group(1))

运行结果：

如此例，我们依旧想要获取字符串中间的数字，所以我们用（\d+）来匹配中间的数字这是没有问题的。数字的两侧东西太多了，想省事一下所以.*直接匹配。

但是这个时候我们最终匹配的结果只有一个数字，这是为什么呢？

这里就涉及了贪婪与非贪婪的问题。在贪婪机制下，点号星号会尽可能多的匹配更多的字符，我们的表达式中（\d+）代表了至少有一个数字而没有给出具体想要匹配多少数字，因此.*就会尽可能多的匹配字符，（你说至少有一个，那我就给你一个呗）这里就把123456都匹配走了。

那么怎样得到我们最终想要的结果呢？

# 我缓缓打出了一个问号
import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*?(\d+).*Demo$', content)
print(result)
print(result.group(1))

运行结果：

在原表达式的基础上加入一个问号，就将匹配机制改为非贪婪，使得.*尽可能少的匹配字符。

所以，在做匹配的时候字符串的中间尽量使用非贪婪匹配，用.*？代替.*，以免出现匹配结果缺失的问题。

但是如果我们想要匹配的内容在字符串的末尾，那么.*？就可能会匹配不到内容，因为他会匹配尽可能少的内容

import re

content = 'http://weibo.com/comment/KEracn'
res1 = re.match('^http.*?comment/(.*?)', content)
res2 = re.match('^http.*?comment/(.*)', content)

print('.*?  :', res1.group(1))
print('.*   :', res2.group(1))

运行结果：

2-4 修饰符

import re

content = '''Hello 1234567 
            World_This is a Regex Demo'''
result = re.match('^He.*?(\d+).*?Demo$', content)
print(result)
print(result.group(1))

还是之前的表达式，但是我们的内容换成了多行文字：

怎么回事？发生什么事了？为什么报错

通过查阅对照表我们可以回想起.*只能匹配除了换行符的所有字符，所以我们这种万能方法就遇到了挑战。为了我们的偷懒大业，所以是时候引入修饰符了！

# 在原基础上只需要引入一个 re.S 参数即可

import re

content = '''Hello 1234567 
            World_This is a Regex Demo'''
result = re.match('^He.*?(\d+).*?Demo$', content, re.S)
print(result)
print(result.group(1))

运行结果：

这种方法我们在网页的匹配中经常用到，因为HTML节点经常会有换行，加上它，就可以避免因为频繁换行引发的报错了。

修饰符附表：

2-5 转移匹配

在编写表达式的过程中，我们已经知道.是用来匹配出换行以外的任意字符，那么当我们的表达式需要用到.作为一个普通符号的时候该怎么办呢？

# 转义匹配

import re

content = '(百度)www.baidu.com'
res = re.match('\(百度\)www\.baidu\.com', content)
print(res)

运行结果：

以上，关于match方法的常用内容，我们已经学习完了！

今日结束，明日…看情况吧