初识python 之 爬虫：正则表达式

python中正则表达式功能由 re 模块提供： import re

两个主要函数：

　　match  匹配第一个字符（从第一个字符开始匹配）
　　search 匹配整个字符串

一、匹配单个字符

1、匹配某个字符（串）

text = 'hello'
ret = re.match('hel',text)  # 从字第1个字符开始匹配，若不匹配就不会匹配到数据
# ret = re.search('l',text)  # 在整个字符串中查找是否存在此字符
print(ret.group())  # hel

2、. 匹配任意字符,不能匹配到换行符 \n （指定flags=re.DOTALL 可匹配任何字符）

text = 'abc hello'
ret = re.match('.',text)  # 匹配第一个字符
print(ret.group())  # a

3、\d 匹配任意的数字

text = '0a1'
ret = re.match('\d',text)  # 匹配任意的数字
print(ret.group())  # 0

4、\D 匹配任意的非数字

text = 's0a1'
ret = re.match('\D',text)  # 匹配任意的非数字
print(ret.group())  # s

5、\s 匹配任意空白字符(\n,\t,\r,空格)

text = '\ns0a1'
ret = re.match('\s',text)  # 匹配任意空白字符
print(ret.group())  # 换行符

6、\w 匹配a-z、A-Z、数字、下划线

text = '2s0a1'
ret = re.match('\w',text)  # 匹配a-z或A-Z、数字、下划线
print(ret.group())  # 2

7、\W 匹配和\w相反的字符

text = '$s0a1'
ret = re.match('\W',text)  # 匹配a-z和A-Z、数字、下划线
print(ret.group())

8、[]组合的方式，满足中括号中的字符，就能匹配到

　a.匹配a或1

text = '1a1'
ret = re.match('[a1]',text)  # 匹配a或1
print(ret.group()) # 1

　b.匹配数字、- 匹配一个：0

text = '028-888888'
ret = re.match('[\d\-]',text)  # 匹配数字、-  匹配一个：0
print(ret.group())

　c.匹配数字、- 匹配多个：028-888888

text = '028-888888dd'
ret = re.match('[\d\-]+',text)  # 匹配数字、-  匹配多个：028-888888
print(ret.group())

　d.中括号形式代替\d

text = '02334'
ret = re.match('[0-9]',text)  # 匹配0-9的数字
print(ret.group())  # 0

　e.中括号形式代替\D

text = 'g02334'
ret = re.match('[^0-9]',text)  # 匹配非0-9的字符
print(ret.group())  # g

　f.中括号形式代替\w

text = 'G02334'
ret = re.match('[a-zA-Z0-9_]',text)  # 匹配a-z和A-Z、数字、下划线
print(ret.group())  # G

　g.中括号形式代替\W

text = '%02334'
ret = re.match('[^a-zA-Z0-9_]',text)  # 匹配非a-z和A-Z、数字、下划线
print(ret.group())  # %

二、匹配多个字符

1、* 匹配0或多个字符

text = '028'
ret = re.match('\d*',text)  # 匹配任意多个数字
print(ret.group())  # 028

2、+ 匹配1个或多个字符

text = 's0\ta1'
ret = re.match('\w+',text)  # 匹配1个或多个字符
print(ret.group())  # s0

3、? 匹配0个或1个字符

text = '@s0\ta1'
ret = re.match('\w?',text)  # 匹配0个或1个字符
print(ret.group())  # 匹配到0个

4、{m} 匹配m个字符(或表达式)

text = 'a2daf'
ret = re.match('\w{2}',text)  # 匹配2个字符(或表达式)
print(ret.group())  # a2

5、{m,n} 匹配m至n个字符

text = 'a2daffdsdf'
ret = re.match('\w{2,5}',text)  # 匹配2到7个字符个字符
print(ret.group())  # a2daf

三、常用案例

1、验证手机号码：1开头，第二位34578中任意一位，后面9位任意数字

text = '15123456789'
ret = re.match('1[34578]\d{9}',text)
# text = '1512345678'  # 后面只有8位，不能匹配到
print(ret.group())  # 15123456789

2、验证邮箱

text = 'dasd1231@qq.com'
ret = re.match('\w+@[a-z0-9]+\.[a-z]+',text)
print(ret.group())  # dasd1231@qq.com

3、验证url

text = 'http://www.baidu.com'
ret = re.match('(http|https|ftp)://[^\s]+',text)  # | 或的意思
print(ret.group())  # http://www.baidu.com

4、验证身份证，一共18位，最后一位可能是数字,x,X

text = '12345678901234567x'
ret = re.match('\d{17}[xX\d]',text)
print(ret.group())  # 12345678901234567x

5、^（脱字号） 以什么开始

text = 'sdfsdg'
ret = re.match('^s',text)  # 以s开头
print(ret.group())  # s

6、$ 以什么结尾

text = 'sdfsdg.com'
ret = re.search('\w+.com$',text)  # 以.com结尾
print(ret.group())  # sdfsdg.com

7、| (或的意思) 匹配多个表达式或字符串

text = 'sdfsdg.cndas'
ret = re.search('\w+(.com|.cn)',text)  # 以.com或.cn 结尾
print(ret.group())  # sdfsdg.cn

8、? 贪婪模式和非贪婪模式：

　　贪婪模式：正则表达式会匹配尽量多的字符。默认是贪婪模式。

　　非贪婪模式：正则表达式会尽量少的匹配字符。

　a.贪婪模式

text = '2342334'
ret = re.search('\d+',text)  # 匹配任意个数字
print(ret.group())  # 2342334

text = '<b> dasd </b>'
ret = re.search('<.+>',text)  # 匹配任意个字符
print(ret.group())  # <b> dasd </b>

　b.非贪婪模式

text = '2342334'
ret = re.search('\d+?',text)  # 匹配最少个数数字
print(ret.group())  # 2

text = '<b> dasd </b>'
ret = re.search('<.+?>',text)  # 匹配最少字符
print(ret.group())  # <b>

　c匹配0-100之间的数字

text = '34'
ret = re.match('0?$|[1-9]\d?$|100$',text)  # 匹配最少个数数字
print(ret.group())  # 34

四、转义字符、原生字符串

　　转义字符：某些字符前面加\表示特殊意义，例：

print('\n')  # 输出换行

　　原生字符串：字符串前面加上 r 表示原生字符串，例：

print(r'\n')  # 输出 \n，而不是换行

　特例：输出 \n

　　转义字符格式：

text = '\\n'
ret = re.match('\\\\n',text)  # 转义字符格式
print(ret.group())  # \n

　　原生字符格式：

text = '\\n'
ret = re.match(r'\\n',text)  # 原生字符
print(ret.group()) # \n

五、re模块中常用函数

　1、group ：提取分组截获的字符串，使用（）分组

　　通过实例说明：

text = 'sasdd $99 fsdf $88'
ret = re.search('.*(\$\d+).*(\$\d+)',text)
print(ret.group())  # 获取整个匹配结果 和 print(ret.group(0) 一样
print(ret.group(1))  # 获取第一个分组  $99
print(ret.group(2))  # 获取第二个分组  $88
print(ret.group(1,2))  # 获取第一、二个分组  ('$99', '$88')
print(ret.groups())  # 获取所有子分组

　2、findall 找出所有满足条件的，返回一个列表。

text = 'sasdd $99 fsdf $88'
ret = re.findall('\$\d+',text)
print(ret) # ['$99', '$88']

　3、sub 将匹配到的字符串替换为其他字符串。

　　a.将$替换成￥

text = 'sasdd $99 fsdf $88'
ret = re.sub('\$','￥',text)
print(ret)  # sasdd ￥99 fsdf ￥88

　　b.剔除掉所有的html标签符号及其内容

html = '''
<div class="abc">
<p>第1段</p>
<p>第2段</p>
<p>第3段</p>
'''
ret = re.sub('<.+?>','',html)
print(ret)
# 返回
'''
 # 第一个换行符替换成空
 # <div class="abc"> 替换成空
第1段
第2段
第3段
'''

　4、split：使用正则表达式来分割字符串,返回列表

　　a.使用空格分割

text = 'sds sfaff 1214'
ret = re.split(' ',text)
print(ret)  # ['sds', 'sfaff', '1214']

　　b.使用数字分割

text = 'sds32sfaff23ffsf'
ret = re.split('\d+',text)
print(ret)  # ['sds', 'sfaff', 'ffsf']

　5、compile 提前定义(编译)好正则，后续直接使用。

　　指定flag=re.VERBOSE时，可添加注释信息。

　　a.获取 $20.50

text = "asd sddfe fefe $20.50"
r = re.compile('\d+\.?\d*')
ret = re.search(r,text)
print(ret.group())

　　b.获取 $20.50，并添加注释信息

text = "asd sddfe fefe $20.50"
r = re.compile(r'''
\d+ # 小数点前面的数字
\.? # 小数点，小数点可有可无
\d* # 小数点后面的数字，小数点后面数字可有可无
''',re.VERBOSE)
ret = re.search(r,text)
print(ret.group())