python网络爬虫和信息提取——第三篇——正则表达式库
正则表达式
regular exception regex RE
是用来简介表达一组字符串的表达式。
正则表达式常用操作符
| 操作符 | 说明 | 实例 |
|---|---|---|
| . | 表示任何单个字符 | |
| [ ] | 字符集，对单个字符给出取值范围 | [abc]表示 a,b,c [a-z]表示a到z的单个字符 |
| [^ ] | 非字符集，对单个字符给出排除范围 | [^abc]表示非a或b或c的单个字符 |
| * | 前一个字符0次或无限次扩展 | abc* 表示 ab,abc,abcc,abccc 等 |
| + | 前一个字符1次或无限次扩展 | abc+ 表示 abc,abcc,abccc等 |
| ? | 前一个字符0次或1次扩展 | abc? 表示 ab,abc |
| | | 左右表达式任意一个 | abc|def 表示 abc,def |
| {m} | 扩展前一个字符m次 | ab{2}c表示 abbc |
| {m,n} | 扩展前 一个字符m至n次(含n次) | ab{1,2}c表示 abc,abbc |
| /i | 忽略大小写 | |
| /g | 全文查找出现的所有匹配字符 | |
| /m | 多行查找 | |
| /gi或/ig | 全文查找、忽略大小写 | |
| ^ | 匹配字符串开头 | ^abc表示 abc且在一个字符串开头 |
| $ | 匹配字符串结尾 | abc$表示 abc且在一个字符串结尾 |
| ( ) | 分组标记，内部只能使用|操作符 | (abc)表示abc (abc|def)表示 abc,def |
| \d | 数字，等价于|0-9| | |
| \w | 单词字符，等价于|A-Za-z0-9_| |
RE库的主要功能
详情
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
pattern：正则表达式的字符串或原生字符串表示
string：待匹配字符串
flags：正则表达式使用时的控制标记
re.match(pattern,string,flags=0)
re.findall(pattern,string,flags=0)
re.finditer(pattern,string,flags=0)
re.split(pattern,string,maxsplit=0,flags=0)
maxsplit：最大分割数，剩余部分作为最一个元素输出
re.sub(pattern,repl,string,count=0,flags=0)
repl:替换匹配字符串的字符串
count：匹配的最大替换次数
Re库的另一种等价用法
函数式用法：一次性操作
rst=re.seartch(r'[1-9]\d{5}','BIT100081 TSU100084')
面向对象用法：编译后的多次操作
pat=re.compile(r'[1-9]\d{5}')
rst=pat.seartch('BIT100081')
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(pattern,flags=0)
regex叫正则表达式
Re库的Match对象
Match对象的方法
Re库的贪婪匹配与最小匹配
默认贪婪匹配
最小匹配操作符
