Python爬虫实践 ——— Regular Expressions Python re模块

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Python爬虫实践 ——— Regular Expressions Python re模块，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含6124字，纯文字阅读大概需要9分钟。

内容图文

Python re 模块，提供了 Perl 风格的正则表达式模式。re 模块使 Python 语言拥有全部的正则表达式功能。

（1）re.match 函数

　　match函数

　　从字符串起始位置匹配一个模式。

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

　　　　parttern 匹配模式 string 要匹配的字符串 flag 限定修正符re.i re.g re.m

（2）re.search 函数

　　search函数

　　扫描整个字符串并返回第一个成功的匹配。

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

　　　　parttern 匹配模式 string 要匹配的字符串 flag 限定修正符re.i re.g re.m

 

　　　　　　　　　　　　　　　　　　　　****** re.match与re.search的区别 ******

re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。

 （3）re.sub函数

　　sub函数

　　Python 的re模块提供了re.sub用于替换字符串中的匹配项。

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

　　parttern 匹配模式  repl : 替换的字符串，也可为一个函数

　　string 要匹配的字符串 count  模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。flag 限定修正符 re.i re.g re.m

　　　　例：

　　　　　　1. # repl为替换字符串，除去 “#”号 后面的注释

　　　　　　phone = "2004-959-559 # 这是一个电话号码"

　　　　　　num = re.sub(r'#.*$', "", phone)

　　　　　　print ("电话号码 : ", num)

　　　　　　　　>>>电话号码 : 2004-959-559

　　　　　　2. # repl为函数，将匹配的字符串内的数字乘于 2，捕获组别名引用

　　　　　　def double(matched):

　　　　　　　　value = int(matched.group('value'))

　　　　　　　　return str(value * 2)

　　　　　　s = 'A23G4HFD567'

　　　　　　print(re.sub('(?P<value>\d+)', double, s))  # 别名引用匹配模式，别名为value

　　　　　　>>>A46G8HFD1134

　　　　　　3.捕获组可下标标号引用

　　　　　　p = re.compile(r'(\d+)abcd(\d+)')

　　　　　　result = re.sub(p, r'\2invert\1', '12345abcd67890') # 数组下标引用匹配模式，\1 是第一个匹配到的数字组


　　　　　　print(result)

　　　　　　>>> 67890invert12345

（4）re.complie 函数

　　complie函数

　　compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。

　　语法：re.compile(pattern[, flags])

（5）re.findall 函数

　　findall函数

　　findall 函数 在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。

　　语法：re.findall(string[, pos[, endpos]])

　　string 待匹配的字符串，可设置匹配起始位置。

（6）re.spilt 函数

　　spilt函数

　　split 方法按照能够匹配的子串将字符串分割后返回列表。

　　语法：re.split(pattern, string[, maxsplit=0, flags=0]) 

　　maxsplit为分隔次数 1分隔一次，默认为 0，不限制次数。

　　对于一个找不到匹配的字符串而言，split 不会对其作出分割

（7）正则表达式对象、分组与匹配方法

　　正则表达式对象

　　　　re.RegexObject

　　　　　　re.compile() 返回 RegexObject 对象。

　　　　re.MatchObject

　　　　　　. match() 和 . search() 可返回 MatchObject对象。

　　　　　　group() 返回被 RE 匹配的字符串。

　　　　　　　　. start() 返回匹配开始的位置

　　　　　　　　. end() 返回匹配结束的位置

　　　　　　　　. span() 返回一个元组包含匹配 (开始,结束) 的位置

　　re.compile 为RegexObject编译对象，可以由re.compile（r'模式不用转义'）获得。

　　　　可以接.match()或 .search()方法获得MatchObject对象，或者.finditer()方法可获得包括MathObject元素的迭代器，

　　　　还可接.findall()获得匹配串列表 （list）

 

　　MatchObject对象可以通过以下方法访问内容：

　　　　 .group()  == .group(0) 返回匹配模式成功的整个子串

　　　　. group(n) 返回第n个分组匹配成功的子串

　　　　. span(0) 返回匹配成功的整个子串的起始位置索引

　　　　. span(n) 返回返回第n个分组匹配成功的子串起始位置索引

　　　　.start(0) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0

　　　　. end(0) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0

　　　　.groups() 返回匹配所有分组成功的各个子串的元组表示

　　

　　findall函数匹配规则及结果：

　　　　注意： match 和 search 是匹配一次 findall 匹配所有。

　　　　1.已匹配成功的字符串，不在参与下次匹配

　　　　　　示例：r=re.findall("\d+\w\d+","a2b3c4d5")  >>> ['2b3', '4d5']   # 3c4不会重复参与匹配

　　　　2.无匹配规则返回的是一个比原始字符串多一位的空字符串列表

　　　　　　示例：r=re.findall("","a2b3c4d5")  >>> ['', '', '', '', '', '', '', '', ''] # 9 字符空串

　　　　3.组匹配时尽量避免用*否则会有可能匹配出空字符串

　　　　　　示例：r=re.findall("(ca)*","ca2b3caa4d5")  >>> ['ca', '', '', '', 'ca', '', '', '', '', ''] # 用*号会匹配出空字符

　　　　4.无分组匹配：匹配所有合规则的字符串，匹配到的字符串放到一个列表中。单 | 符号不属于分组匹配

　　　　　　示例：r=re.findall("a\w+","ca2b3 caa4d5") >>> ['a2b3', 'aa4d5'] # 匹配所有合规则的字符串，匹配到的字符串放入列表

　　　　5.有分组匹配：只将匹配到的字符串里，组的部分放到列表里返回，相当于groups()方法

　　　　　　示例：r=re.findall("a(\w+)","ca2b3 caa4d5") >>> ['2b3', 'a4d5'] # 返回匹配到组里的内容返回

　　　　6.多个分组：只将匹配到的字符串里，组的部分放到一个元组中，最后将所有元组放到一个列表里返回

　　　　　　示例：r=re.findall("(a)(\w+)","ca2b3 caa4d5") >>> [('a', '2b3'), ('a', 'a4d5')] # 返回的是多维数组

　　　　7.分组中有分组：只将匹配到的字符串里，组的部分放到一个元组中，先将包含有组的组，看作一个整体也就是一个组，

　　　　　把这个整体组放入一个元组里，然后在把组里的组放入一个元组，最后将所有组放入一个列表返回

　　　　　　示例：r=re.findall("(a)(\w+(b))","ca2b3 caa4b5") >>> [('a', '2b', 'b'), ('a', 'a4b', 'b')] # 返回的是多维数组

　　　　8. ?:在有分组的情况下findall()函数，不只拿分组里的字符串，拿所有匹配到的字符串。

　　　　　　示例：r=re.findall("a(?:\w+)","a2b3 a4b5 edd") >>> ['a2b3', 'a4b5'] # ?:在有分组的情况下，不只拿分组里的字符串，拿所有匹配到的字符串

（8）字符串分割和替换

　　

字符串分割

 

　　line = 'aaa bbb ccc;ddd eee,fff'

　　单字符分割

　　>>> re.split(r';',line)

　　['aaa bbb ccc', 'ddd\teee,fff']

 

　　两个字符以上切割需要放在 [ ]中

　　>>> re.split(r'[;,]',line)

　　['aaa bbb ccc', 'ddd\teee', 'fff']

 

　　所有空白字符切割

　　>>> re.split(r'[;,\s]',line)

　　['aaa', 'bbb', 'ccc', 'ddd', 'eee', 'fff']

　　

　　使用括号捕获分组，默认保留分割符

     >>> re.split(r'([;])',line)

　　['aaa bbb ccc', ';', 'ddd\teee,fff']

　　

　　不想保留分隔符，以（?: ...）的形式指定

　　>>> re.split(r'(?:[;])',line)

　　['aaa bbb ccc', 'ddd\teee,fff']

 

 字符串替换

 

　　两种表现内编组分组引用 \g<name>和\g<n>

 

　　方式1：没有用表现内方式，结果为把better丢失

　　

　　方式2：使用了表现内方式，把原来内容保留下来把better保留下来了

　　

　　方式3：在方式2的基础上，把序号改为分组名称

　　

　　sub可以替换的时候，把匹配到的分组内容组内引用进行互换

　　

　　subn替换并返回替换数量

　　

（9）模块级别操作

　　re.purge()清理正则缓存和re.escape()逃逸字符

　　正则在模式编译时候，编译好的模式会缓存到内存中，如果想某个时间清空之前的缓存，可以使用purge方法

 

　　逃逸字符，忽略以前原有的功能意义如行开始标志^、或行结尾标志$、问号等

　　　　例如：文本里面本身含有^，如果想匹配该字符

　　　　

 

 

本文搬运转载总结自

菜鸟教程 Python3正则表达式教程

https://www.runoob.com/python3/python3-reg-expressions.html

简书 全栈coder Python 中re.split()方法

https://www.jianshu.com/p/41939d338ccb

博客园 艺杰兮 python系列教程等

https://www.cnblogs.com/yijiexi/p/11165257.html

https://www.cnblogs.com/yijiexi/p/11165306.html

https://www.cnblogs.com/yijiexi/p/11165337.html

https://www.cnblogs.com/yijiexi/p/11165387.html

内容总结

以上是互联网集市为您收集整理的Python爬虫实践 ——— Regular Expressions Python re模块全部内容，希望文章能够帮你解决Python爬虫实践 ——— Regular Expressions Python re模块所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---