The website is API（3）

网络爬虫实战知识准备：

Requests库、robots(网络爬虫排除标准)、BeautifulSoup库

一、Re正则表达式

1.

简洁地表达一组字符串

通用的字符串表达框架

字符串匹配

编译：

2.语法

字符+操作符

操作符

.：表示任何单个字符

[]：字符集，对单个字符给出取值范围

[^]：非字符集，对单个字符给出排除范围

*：前一个字符0次或无限次扩展

+：前一个字符1次或无限次扩展

?：前一个字符0次或1次扩展

|：左右表达式任意一个

{m}：扩展前一个字符m次

{m,n}：扩展前一个字符m至n次(含n)

^：匹配字符串开头

$：匹配字符串结尾

()：分组标记，内部只能用|操作符

\d：数字，等价于[0-9]

\w：单词字符串，等价于[A-Za-z0-9_]

经典正则表达式实例

^[A-Za-z]+$ 由26个字母组成的字符串

^[A-Za-z0-9]+$ 由26个字母和数字组成的字符串

^-?\d+$ 整数形式的字符串

^[0-9]*[1-9][0-9]*$ 正整数形式的字符串

[\u4e00-\u9fa5] 匹配中文字符串

3.Re库介绍

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

flags控制标记

re.I 忽略正则表达式的大小写

re.M 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始

re.S 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

>>> import re
>>> match = re.search(r'[1-9]\d{5}','BIT 100081')
>>> if match:
    print(match.group(0))

100081

re.match(pattern,string,flags)：从一个字符串的开始位置起匹配正则表达式，返回match对象

>>> match = re.match(r'[1-9]\d{5}','BIT 100081')
>>> if match:
    print(match.group(0))

>>> match.group(0)
Traceback (most recent call last):
  File "<pyshell#9>", line 1, in <module>
    match.group(0)
AttributeError: 'NoneType' object has no attribute 'group'

>>> match = re.match(r'[1-9]\d{5}','100081')
>>> match.group(0)
'100081'

re.findall(pattern,string,flags)：搜索字符串，以列表类型返回全部能匹配的子串

>>> ls = re.findall(r'[1-9]\d{5}','BIT100081 NPU100084')
>>> ls
['', '']

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

maxsplit:最大分割数

>>> re.split(r'[1-9]\d{5}','BIT100081 NPU100084')
['BIT', ' NPU', '']
>>> re.split(r'[1-9]\d{5}','BIT100081 NPU100084',maxsplit = 1)
['BIT', ' NPU100084']

re.finditer(pattern,string,flags)：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

>>> for m in re.finditer(r'[1-9]\d{5}','BIT100081 NPU100084'):
    if m:
        print(m.group(0))

100081
100084

re.sub(pattern,rel,string,count,flags)：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

repl:替换匹配字符串的字符串

count:匹配的次数

>>> re.sub(r'[1-9]\d{5}',':zipcode','BIT100081 NPU100084')
'BIT:zipcode NPU:zipcode'

re.compile(pattern,flags)

regex = re.compile(r'[1-9]\d{5})

regex.search().......

这是面向对象的编译方法

4.Re库的match对象

属性：

.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 .....结束位置

方法：

.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() 。。。。。结束位置

.span() 返回(.start(),.end())

>>> import re
>>> m = re.search(r'[1-9]\d{5}','NPU100081 NPU100084')
>>> m.string
'NPU100081 NPU100084'
>>> m.re
re.compile('[1-9]\\d{5}')
>>> m.pos
0
>>> m.end
<built-in method end of re.Match object at 0x03CEED40>
>>> m.endpos
19
>>> m.group(0)
''
>>> m.group(1)
Traceback (most recent call last):
  File "<pyshell#8>", line 1, in <module>
    m.group(1)
IndexError: no such group
>>> m.start()
3
>>> m.end()
9
>>> m.span()
(3, 9)

贪婪匹配：默认输出最长匹配

>>> match = re.search(r'PY.*N','PYANBNCNDN')
>>> match.group(0)
'PYANBNCNDN'

最小匹配

>>> match = re.search(r'PY.*?N','PYANBNCNDN')
>>> match.group(0)
'PYAN'

*？前一个字符0次或无限次扩展

+？前一个字符1次或无限次扩展

?? 前一个字符0次或1次扩展

{m,n}? 扩展前一个字符m至n次

>>> match = re.search(r'PY.+?N','PYANBNCNDN')
>>> match.group(0)
'PYAN'