python网络爬虫——正则表达式（三）

素颜马尾好姑娘i 2022-09-10 03:15 198阅读 0赞

### 正则表达式 ###

*   *   *  一、常见的匹配规则
         *  二、常见的匹配方法
         *   *  1、match（）
             *  2、search（）
             *  3、findall（）
             *  4、sub（）
             *  5、compile（）

在python爬虫中，使用到正则表达式的库为re库。

### 一、常见的匹配规则 ###

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]

### 二、常见的匹配方法 ###

#### 1、match（） ####

match（）方法从字符串的起始位置开始匹配，该方法有两个参数，第一个是正则表达式，第二个是需要匹配的字符串；

re.match(正则表达式，字符串)

如果该方法匹配成功，返回的是SRE\_Match对象，如果未匹配到，则返回None。

返回成功后有两个方法，group（）方法用来查看匹配到的字符串，span（）方法用来输出匹配的范围。

import re
    content = 'Hello_World,123 456'
    result = re.match('^Hello\w{6}\W\d\d\d\s\d{3}',content)
    print(result)
    print(result.group())
    print(result.span())

【运行结果】

<re.Match object; span=(0, 19), match='Hello_World,123 456'>
    Hello_World,123 456
    (0, 19)

**子字符串匹配**

在上述我们匹配到了完整的字符串，但是实际需求中可能只需要其中的一部分，这时我们仅需要在要获取的子字符串匹配时加上括号即可。

import re
    content = 'Hello_World,123 456'
    result = re.match('^Hello\w{6}\W(\d+)\s(\d{3})',content)
    print(result)
    print(result.group())
    print(result.span())
    print(result.group(1))
    print(result.group(2))

【运行结果】

<re.Match object; span=(0, 19), match='Hello_World,123 456'>
    Hello_World,123 456
    (0, 19)
    123
    456

这样通过加括号的形式，将字符串中的数字匹配出来。

**通用匹配符**

.\* 其中.用来匹配任意字符（除换行符），\*代表前面出现的字符无限次。因此之前的匹配形式可以写为：

import re
    content = 'Hello_World,123 456'
    result = re.match('^Hello\.*456$',content)
    print(result.group())

【运行结果】

Hello_World,123 456

**贪婪匹配和非贪婪匹配**

.\*匹配是贪婪匹配

.\*?是非贪婪匹配

二者的主要区别是，贪婪匹配尽可能多的去匹配字符，而非贪婪匹配是尽可能少的匹配字符。下列代码能够更直观的了解二者之间的区别

import re
    content = 'number 12345678 test'
    result_1 = re.match('^number.*(\d+).*test$',content)
    print('贪婪匹配得到的数字：' + result_1.group(1))
    result_2 = re.match('^number.*?(\d+).*test$',content)
    print('非贪婪匹配得到的数字：' + result_2.group(1))

【运行结果】

贪婪匹配得到的数字：8
    非贪婪匹配得到的数字：12345678

大家会有这样一个疑问为什么贪婪匹配得到的数字少，而非贪婪匹配得到的多，这与前面讲的不太符合啊。

注意，在匹配的时候，贪婪匹配是尽可能多的去匹配字符，因此.\*就匹配的是’ 1234567‘，只留下8给\\d+匹配，非贪婪匹配是尽可能少的匹配字符，故.\*?匹配的是’ '，留下12345678给\\d+匹配，就会得到上述结果。

**修饰符**

<table> 
 <thead> 
  <tr> 
   <th align="left">修饰符</th> 
   <th>作用</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">re.I</td> 
   <td>忽略大小写进行匹配</td> 
  </tr> 
  <tr> 
   <td align="left">re.L</td> 
   <td>做本地化识别匹配</td> 
  </tr> 
  <tr> 
   <td align="left">re.M</td> 
   <td>多行匹配，影响^和$</td> 
  </tr> 
  <tr> 
   <td align="left">re.S</td> 
   <td>使.匹配包含换行符在内的所有字符</td> 
  </tr> 
  <tr> 
   <td align="left">re.U</td> 
   <td>根据Unicode字符集解析字符</td> 
  </tr> 
  <tr> 
   <td align="left">re.X</td> 
   <td>更加灵活的编写正则表达式</td> 
  </tr> 
 </tbody> 
</table>

**转义匹配**

匹配特殊字符时，在其前面加反斜线（\\）完成转义匹配。

#### 2、search（） ####

在匹配时会扫描整个字符串，然后返回第一个成功匹配的结果。如果将整个字符串搜索完了之后还是没有匹配到，则返回None。

#### 3、findall（） ####

与search（）不同的是，findall（）方法是将返回所有符合正则表达式匹配的内容。返回结果是一个列表，列表中的每个元素都是元组类型。

#### 4、sub（） ####

修改文本内容，原理是对要修改的内容进行替换。

import re
    temp = "abcdef123ghi456"
    temp = re.sub("\d+","",temp)
    print(temp)

【运行结果】

abcdefghi

sub（）中的参数分析，第一个参数是正则表达式匹配要更改的内容，第二个参数是使用该参数内容进行替换，第三个参数是要更改的字符串。

#### 5、compile（） ####

将正则字符串编译成正则表达式对象，以便在后面的匹配中进行复用。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP54uQ54u45qKm5oOz5Y6756ul6K-d6ZWH_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/baae28f71c954054baf027689b45277a.png