上一篇爬虫入门文章:python爬虫——入门
声明:由于本文拒绝以任何形式进行盈利,仅供学习研究使用!转载请注明文章来源。
对于爬虫本身的安全问题:用于个人使用或科研范畴,基本不存在问题。
数据用于商业盈利,那么就事而论,可能违法,可能不违法。
对于学习:建议收藏(狗头保命),可以多看看相关的文章,笔者是看着MOOC的嵩天老师的课学习的。然后一定要多敲代码,不可眼高手低,遇到不懂的首先是自己查,去百度,多看几篇文章,或者去那些学习交流群里问。
re库官方介绍:https://docs.python.org/zh-cn/3/library/re.html
正则表达式在线测试|菜鸟教程
在爬虫领域,常用来解析网页时进行字符串的匹配。
正则表达式是用来简洁表达一组字符串的表达式。表示了一组字符串的特点。或者说是表示一组符合某种逻辑的字符串的公式。正则表达式由字符和操作符构成。
通常用来匹配字符串。
正则表达式的使用:
编译:将符合正则表达式的语法的字符串编译成某个特征变量。比如:p = re.compile(regex)
,这个特征与一组字符串是对应的。
正则表达式的语法:
正则表达式是由字符和操作符构成,我们先看看常用的操作符有什么。
操作符 | 说明 | 实例 |
---|---|---|
. | 表示任意单个字符 | |
[ ] | 匹配其中任意单个字符 | [abc]表示a、b、c,[a-z]表示a到z单个字符 |
[^ ] | 非字符集 ,对单个字符给出排除范围 | [^abc] |
* | 前一个字符0次或无限次扩展 | abc*表示ab、abc、abcc等 |
+ | 前一个字符1次或无线次扩展 | abc+表示abc、abcc、abccc等 |
? | 前一个字符0次或1次扩展 | abc?表示ab或abc |
丨 | 左右表达式任意一个 | abc丨def表示abc、def |
{m} | 扩展前一个字符m次 | ab{2}表示abbc |
{m,n} | 扩展前一个字符m至n此(包含n) | ab{1,2}c 表示abc或abbc |
^ | 匹配字符串开头 | ^abc表示abc且在一个字符串的开头 |
$ | 匹配字符串的结尾 | &abc表示abc且在一个字符串的结尾 |
( ) | 分组标记,内部只能使用丨操作符 | (abc)表示abc,(abc丨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_] (注意包括下划线) |
例子:
正则表达式 | 对应的字符串 |
---|---|
p(y|yt|yth|thon)?n | ‘pn’、‘pyn’、‘pythn’、‘python’ |
python+ | ‘python’、‘pythonn’、‘pythonnn’… |
py|[^th]on | ‘pyon’ 、‘pyaon’、‘pybon’、‘pycon’… |
^ [A-Za-z]+$ | 由26位字母组成的字符串 |
^ [A-Za-z0-9]+$ | 由26位字母和数字组成的字符串 |
^ -?d+$ | 整数形式的字符串 |
^ [1-9]*[1-9][0-9] *$ | 正整数形式的字符串 |
[1-9]\d{5} | 中国境内邮政编码,6位 |
[\ue400-\u9fa5] | 匹配中文字符 |
\d{3}-\d{8}|\d{4}-\d{7} | 国内电话号码,010-12341234 |
Re库,也叫正则表达式库。(python的标准库,不需要额外安装)
正则表达式的表示类型:
r 'text'
r '[1-9]\d{5}'
'[1-9]\\d{5}'
(当有转义符的时候,需要额外加一个反斜杠)函数 | 说明 |
---|---|
re.search() | 在字符串中扫描搜索可以匹配正则表达式的第一个位置,返回match对象 |
re.match() | 从一个字符串的开始位置起匹配正则表达式,返回match对象,如果起始位置不匹配返回none |
re.findall() | 搜索字符串,以列表类型返回全部能匹配的子串 |
re.split() | 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 |
re.finditer() | 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 |
re.sub() | 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 |
(1). re.search(pattern,string,flags = 0)
返回字符串中搜索匹配正则表达式的第一个位置,返回match对象
常用标记 | 说明 |
---|---|
re.I re.IGNORECASE | 忽略正则表达式的大小写,[A-Z] 能够匹配的小写字符串 |
re.M re.MULTILINE | 正则表达式中的^操作符能够将给定字符串的每行作为匹配开始 |
re.S re.DOTALL | 正则表达式中的 . 操作符能够匹配所有字符,默认匹配除换行外的所有字符 |
(2). 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。
(3).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。
(4). re.finditer(pattern,string,flags=0)
搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素都是match对象
re.sub(pattern,repl,string,count=0,flags=0)
补充:regex = re.compile(pattern,flags=0)
如:rst = re.compile(r'[1-9]\d{5}')
将正则表达式的字符串形式编译成正则表达式对象
Re库的等价用法:
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
pat = re.compile(r'[1-9]\d{5}')#先写一个pat对象
rst = pat.search('BIT 100081')
1.match对象是一次匹配返回的结果,包含很多信息
2.match对象的属性
属性 | 说明 |
---|---|
.string | 待匹配的文本 |
.re | 匹配时使用的pattern对象(正则表达式) |
.pos | 正则表达式搜索文本的开始位置 |
.endpos | 正则表达式搜索文本的结束位置 |
3.match对象的方法
方法 | 说明 |
---|---|
.group(0) | 获得匹配后的字符串 |
.start() | 匹配字符串在原始字符串的开始位置 |
.end() | 匹配值非常在原始字符串的结束位置 |
.span() | 返回(.start(),.end()) |
Re库默认情况下为贪婪匹配,输出匹配最长的子串
例:
match = re.search(r'PY.*N','PYANBNCNDNEN')
match.group(0)的结果是'PYANBNCNDNEN'
这是若想输出最小匹配,就改成以下形式:
match = re.search(r'PY.*?N','PYANBNCNDNEN')
match.group(0)的结果就是'PYAN'
最小匹配操作符:
操作符 | 说明 |
---|---|
*? | 前一个字符0次或无限次扩展,最小匹配 |
+? | 前一个字符1次或无限次扩展,最小匹配 |
?? | 前一个字符0次或1次扩展,最小匹配 |
{m,n}? | 扩展前一个字符m至n次(含n),最小匹配 |