Python 爬虫-正则表达式

2017-07-27 13:52:08

 一、正则表达式的概念

（1）正则表达式是用来简洁表达一组字符串的表达式，最主要应用在字符串匹配中。

• 正则表达式是用来简洁表达一组字符串的表达式
• 正则表达式是一种通用的字符串表达框架
• 正则表达式是一种针对字符串表达“简洁”和“特征”思想的工具
• 正则表达式可以用来判断某字符串的特征归属

（2）正则表达式是一个字符串，通过编译将符合正则表达式语法的字符串转换成正则表达式特征。

二、正则表达式的语法

正则表达式语法由字符和操作符构成。

（1）正则表达式的操作符

经典的正则表达式：

三、Re库的使用

re库采用原生字符串（raw string）来表达正则表达式。所谓原生字符串是指没有反义字符的字符串，也就是说在原生字符中‘\’就是反斜杠，不是转义。使用原生字符串只需要在字符串前加上r即可。

也可以使用正常的string字符串，不过使用string字符串的话需要很多的转义字符来表示单纯的反斜杠。

Re库的主要功能函数：

• 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)：从一个字符串的开始位置起匹配正则表达式，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.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

∙ 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.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

∙ 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
∙ maxsplit: 最大分割数，剩余部分作为最后一个元素输出
∙ flags  : 正则表达式使用时的控制标记

• re.finditer(pattern, string, flags=0)：搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是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.sub(pattern, repl, string, count=0, flags=0)：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

∙ pattern : 正则表达式的字符串或原生字符串表示
∙ repl : 替换匹配字符串的字符串
∙ string : 待匹配字符串
∙ count  : 匹配的最大替换次数
∙ flags  : 正则表达式使用时的控制标记

正则表达式的另一种等价用法，使用 compile () 函数：

经过了compile后的正则表达式可以使用如下函数，这里只需要给出需要匹配的字符串就可以了：

三、Re库的match对象

Match对象是一次匹配的结果，包含匹配的很多信息。

• match对象的属性

• match对象的方法

四、贪婪匹配与最小匹配

Re库默认采用贪婪匹配，即输出匹配最长的子串；

只要长度输出可能不同的，都可以通过在操作符后增加?变成最小匹配