正则表达式的使用

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

re.match尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none

参数介绍：
pattern:正则表达式
string：匹配的目标字符串
flags：匹配模式

正则表达式的匹配模式：

最常规的匹配

import re

content ='hello 123456 World_This is a Regex Demo'

print(len(content))

result = re.match('^hello\s\d{6}\s\w{10}.*Demo$$',content)

print(result)

print(result.group()) #返回匹配结果

print(result.span()) #返回匹配结果的范围

结果运行如下：

39

<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>

hello 123456 World_This is a Regex Demo

(0, 39)

泛匹配

使用（.*）匹配更多内容

import re

content ='hello 123456 World_This is a Regex Demo'

result = re.match('^hello.*Demo$',content)

print(result)

print(result.group())

结果运行如下：

<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>

hello 123456 World_This is a Regex Demo

匹配目标

在正则表达式中使用（）将要获取的内容括起来

使用group(1)获取第一处，group(2)获取第二处，如此可以提取我们想要获取的内容

import re

content ='hello 123456 World_This is a Regex Demo'

result = re.match('^hello\s(\d{6})\s.*Demo$',content)

print(result)

print(result.group(1))#获取匹配目标

结果运行如下：

<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>

123456

贪婪匹配

import re

content ='hello 123456 World_This is a Regex Demo'

result = re.match('^he.*(\d+).*Demo$',content)

print(result)

print(result.group(1))

注意：.*会尽可能的多匹配字符

非贪婪匹配

import re

content ='hello 123456 World_This is a Regex Demo'

result = re.match('^he.*?(\d+).*Demo$',content)

print(result)

print(result.group(1))

注意：.*?会尽可能匹配少的字符

使用匹配模式

在解析HTML代码时会有换行，这时我们就要使用re.S

import re

content ='hello 123456 World_This ' \

'is a Regex Demo'

result = re.match('^he.*?(\d+).*?Demo$',content,re.S)

print(result)

print(result.group(1))

运行结果如下：

<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>

123456

转义

在解析过程中遇到特殊字符，就需要做转义，比如下面的$符号。

import re
content = 'price is $5.00'
result = re.match('^price.*\$5\.00',content)
print(result.group())

总结：尽量使用泛匹配，使用括号得到匹配目标，尽量使用非贪婪模式，有换行就用re.S

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

re.search扫描整个字符串并返回第一个成功的匹配。

比如我想要提取字符串中的123456，使用match方法无法提取，只能使用search方法。

import re

content ='hello 123456 World_This is a Regex Demo'

result = re.match('\d{6}',content)

print(result)

import re

content ='hello 123456 World_This is a Regex Demo'

result = re.search('\d{6}',content)

print(result)

print(result.group())

运行结果如下：

<_sre.SRE_Match object; span=(6, 12), match='123456'>

123456

匹配演练

可以匹配代码里结构相同的部分，这样可以返回你需要的内容

import re

content = '<a title="2009年中信出版社出版图书" href="/doc/2703035-2853985.html" target="_blank" data-log="old:2703035-2853885,new:2703035-2853985" data-cid="sense-list">2009年中信出版社出版图书</a>'

result = re.search('<a.*?new:\d{7}-\d{7}.*?>(.*?)</a>',content)

print(result.group(1))

2009年中信出版社出版图书

re.findall(pattern,string,flags=0)

搜索字符串，以列表形式返回全部能匹配的字串

import re
html ='''
<li>
<a title="网络歌曲" href="/doc/2703035-2853927.html" target="_blank" data-log="old:2703035-2853885,new:2703035-2853927" data-cid="sense-list">网络歌曲</a>
</li>
<li>
<a title="2009年中信出版社出版图书" href="/doc/2703035-2853985.html" target="_blank" data-log="old:2703035-2853885,new:2703035-2853985" data-cid="sense-list">2009年中信出版社出版图书</a>
</li>
'''
result = re.findall('<a.*?new:\d{7}-\d{7}.*?>(.*?)</a>',html,re.S)
count = 0
for list in result:
    print(result[count])
    count+=1

网络歌曲

2009年中信出版社出版图书

re.sub( pattern，repl，string，count，flags)

re.sub共有五个参数

三个必选参数 pattern，repl，string

两个可选参数count，flags

替换字符串中每一个匹配的字符串后替换后的字符串

import re

content = 'hello 123456 World_This is a Regex Demo'

content = re.sub('\d+','',content)

print(content)

运行结果如下：

hello  World_This is a Regex Demo

import re

content = 'hello 123456 World_This is a Regex Demo'

content = re.sub('\d+','what',content)

print(content)

运行结果如下：

hello what World_This is a Regex Demo

import re

content = 'hello 123456 World_This is a Regex Demo'

content = re.sub('(\d+)',r'\1 789',content)

print(content)

运行结果如下：

hello 123456 789 World_This is a Regex Demo

注意：这里\1代表前面匹配的123456

演练

在这里我们替换li标签

import re

html ='''

<li>

<a title="网络歌曲" href="/doc/2703035-2853927.html" target="_blank" data-log="old:2703035-2853885,new:2703035-2853927" data-cid="sense-list">网络歌曲</a>

</li>

<li>

<a title="2009年中信出版社出版图书" href="/doc/2703035-2853985.html" target="_blank" data-log="old:2703035-2853885,new:2703035-2853985" data-cid="sense-list">2009年中信出版社出版图书</a>

</li>

'''

html = re.sub('<li>|</li>','',html)

print(html)

运行结果如下，里面就没有li标签

<a title="网络歌曲" href="/doc/2703035-2853927.html" target="_blank" data-log="old:2703035-2853885,new:2703035-2853927" data-cid="sense-list">网络歌曲</a>

<a title="2009年中信出版社出版图书" href="/doc/2703035-2853985.html" target="_blank" data-log="old:2703035-2853885,new:2703035-2853985" data-cid="sense-list">2009年中信出版社出版图书</a>

compile(pattern [, flags])

该函数根据包含的正则表达式的字符串创建模式对象。可以实现更有效率的匹配
将正则表达式编译成正则表达式对象，以便于复用该匹配模式

import re

content = 'hello 123456 ' \

'World_This is a Regex Demo'

pattern = re.compile('hello.*?Demo',re.S)

result = re.match(pattern,content)

print(result.group())

运行结果如下：

hello 123456 World_This is a Regex Demo

综合使用

import re

html = '''

<div class="slide-page" style="width: 700px;" data-index="1">

        <a class="item" target="_blank" href="https://movie.douban.com/subject/26725678/?tag=热门&from=gaia">

            <div class="cover-wp" data-isnew="false" data-id="26725678">

                <img src="https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2525020357.jpg" alt="解除好友2：暗网" data-x="694" data-y="1000">

            </div>

            <p>

                解除好友2：暗网

                    <strong>7.9</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/26916229/?tag=热门&from=gaia_video">

            <div class="cover-wp" data-isnew="false" data-id="26916229">

                <img src="https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2532008868.jpg" alt="镰仓物语" data-x="2143" data-y="2993">

            </div>

            <p>

                镰仓物语

                    <strong>6.9</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/26683421/?tag=热门&from=gaia">

            <div class="cover-wp" data-isnew="false" data-id="26683421">

                <img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2528281606.jpg" alt="特工" data-x="690" data-y="986">

            </div>

            <p>

                特工

                    <strong>8.3</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/27072795/?tag=热门&from=gaia">

            <div class="cover-wp" data-isnew="false" data-id="27072795">

                <img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2521583093.jpg" alt="幸福的拉扎罗" data-x="640" data-y="914">

            </div>

            <p>

                幸福的拉扎罗

                    <strong>8.6</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/27201353/?tag=热门&from=gaia_video">

            <div class="cover-wp" data-isnew="false" data-id="27201353">

                <img src="https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2528842218.jpg" alt="大师兄" data-x="679" data-y="950">

            </div>

            <p>

                大师兄

                    <strong>5.2</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/30146756/?tag=热门&from=gaia_video">

            <div class="cover-wp" data-isnew="false" data-id="30146756">

                <img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2530872223.jpg" alt="风语咒" data-x="1079" data-y="1685">

            </div>

            <p>

                风语咒

                    <strong>6.9</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/26630714/?tag=热门&from=gaia">

            <div class="cover-wp" data-isnew="false" data-id="26630714">

                <img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2530591543.jpg" alt="精灵旅社3：疯狂假期" data-x="1063" data-y="1488">

            </div>

            <p>

                精灵旅社3：疯狂假期

                    <strong>6.8</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/25882296/?tag=热门&from=gaia_video">

            <div class="cover-wp" data-isnew="false" data-id="25882296">

                <img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2526405034.jpg" alt="狄仁杰之四大天王" data-x="2500" data-y="3500">

            </div>

            <p>

                狄仁杰之四大天王

                    <strong>6.2</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/26804147/?tag=热门&from=gaia_video">

            <div class="cover-wp" data-isnew="false" data-id="26804147">

                <img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2527484082.jpg" alt="摩天营救" data-x="1371" data-y="1920">

            </div>

            <p>

                摩天营救

                    <strong>6.4</strong>

            </p>

        </a>

        <a class="item" target="_blank" href="https://movie.douban.com/subject/24773958/?tag=热门&from=gaia_video">

            <div class="cover-wp" data-isnew="false" data-id="24773958">

                <img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2517753454.jpg" alt="复仇者联盟3：无限战争" data-x="1968" data-y="2756">

            </div>

            <p>

                复仇者联盟3：无限战争

                    <strong>8.1</strong>

            </p>

        </a>

    </div>

'''

count = 0
for list in result:
    print(result[count])
    count+=1

运行结果如下：

('解除好友2：暗网', '7.9')

('镰仓物语', '6.9')

('特工', '8.3')

('幸福的拉扎罗', '8.6')

('大师兄', '5.2')

('风语咒', '6.9')

('精灵旅社3：疯狂假期', '6.8')

('狄仁杰之四大天王', '6.2')

('摩天营救', '6.4')

('复仇者联盟3：无限战争', '8.1')

正则表达式匹配IP

#IPv4的IP正则匹配表达式

import re

#简单的匹配给定的字符串是否是ip地址,下面的例子它不是IPv4的地址，但是它满足正则表达式

if re.match(r"^(?:[0-9]{1,3}\.){3}[0-9]{1,3}$", "272.168,1,1"):

    print "IP vaild"

else:

    print "IP invaild"

#精确的匹配给定的字符串是否是IP地址

if re.match(r"^(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$", "223.168.1.1"):

    print "IP vaild"

else:

    print "IP invaild"

#简单的从长文本中提取中提取ip地址

string_ip = "is this 289.22.22.22 ip ?

result = re.findall(r"\b(?:[0-9]{1,3}\.){3}[0-9]{1,3}\b", string_ip)

if result:

    print result

else:

    print "re cannot find ip"

#精确提取IP

result = re.findall(r"\b(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\b", string_ip):

if result:

    print result

else:

    print "re cannot find ip

#IPv6的正则匹配表达式

string_IPv6="1050:0:0:0:5:600:300c:326b"

#匹配是否满足IPv6格式要求,请注意例子里大小写不敏感

if re.match(r"^(?:[A-F0-9]{1,4}:){7}[A-F0-9]{1,4}$", string_IPv6, re.I):

    print "IPv6 vaild"

else:

    print "IPv6 invaild"

#提取IPv6，例子里大小写不敏感

result = re.findall(r"(?<![:.\w])(?:[A-F0-9]{1,4}:){7}[A-F0-9]{1,4}(?![:.\w])", string_IPv6, re.I)

#打印提取结果

print result

判断字符串中是否含有汉字或非汉字

model中compile值可以根据需要更改，满足不同的检测需求

#判断一段文本中是否包含简体中文

import re

zhmodel = re.compile(u'[\u4e00-\u9fa5]') #检查中文

#zhmodel = re.compile(u'[^\u4e00-\u9fa5]') #检查非中文

contents = u'（2014）深南法民二初字第280号'

match = zhmodel.search(contents)

if match:

    print(contents)

else:

    print(u'没有包含中文')

Python爬虫之正则表达式的使用（三）的更多相关文章

玩转python爬虫之正则表达式
玩转python爬虫之正则表达式这篇文章主要介绍了python爬虫的正则表达式,正则表达式在Python爬虫是必不可少的神兵利器,本文整理了Python中的正则表达式的相关内容,感兴趣的小伙伴们可以 ...
Python爬虫框架Scrapy实例（三）数据存储到MongoDB
Python爬虫框架Scrapy实例(三)数据存储到MongoDB任务目标:爬取豆瓣电影top250,将数据存储到MongoDB中. items.py文件复制代码# -*- coding: utf-8 ...
python爬虫之urllib库（三）
python爬虫之urllib库(三) urllib库访问网页都是通过HTTP协议进行的,而HTTP协议是一种无状态的协议,即记不住来者何人.举个栗子,天猫上买东西,需要先登录天猫账号进入主页,再去 ...
【Python爬虫】正则表达式与re模块
正则表达式与re模块阅读目录在线正则表达式测试常见匹配模式 re.match re.search re.findall re.compile 实战练习在线正则表达式测试 http://tool ...
python爬虫-提取网页数据的三种武器
常用的提取网页数据的工具有三种xpath.css选择器.正则表达式 1.xpath 1.1在python中使用xpath必须要下载lxml模块: lxml官方文档 :https://lxml.de/i ...
python 爬虫之-- 正则表达式
正则表达式是一个特殊的字符序列,它能帮助你方便的检查一个字符串是否与某种模式匹配. 正则表达式非python独有,python 提供了正则表达式的接口,re模块一.正则匹配字符简介模式描述 \d ...
python爬虫训练——正则表达式+BeautifulSoup爬图片
这次练习爬传送门这贴吧里的美食图片. 如果通过img标签和class属性的话,用BeautifulSoup能很简单的解决,但是这次用一下正则表达式,我这也是参考了该博主的博文:传送门所有图片的s ...
【python爬虫和正则表达式】爬取表格中的的二级链接
开始进公司实习的一个任务是整理一个网页页面上二级链接的内容整理到EXCEL中,这项工作把我头都搞大了,整理了好几天,实习生就是端茶送水的.前段时间学了爬虫,于是我想能不能用python写一个爬虫一个个 ...
Python爬虫运用正则表达式
我看到最近几部电影很火,查了一下猫眼电影上的数据,发现还有个榜单,里面有各种经典和热映电影的排行榜,然后我觉得电影封面图还挺好看的,想着一张一张下载真是费时费力,于是突发奇想,好像可以用一下最近学的东 ...

随机推荐

oracle查询所有的表明
如果是用该用户登录使用以下语句: SELECT * FROM USER_TABLES; 如果是用其他用户: SELECT * FROM ALL_TABLES WHERE OWNER='USER_NAM ...
那些IT行业的经典定律
几十年来,IT界有一些非常著名的定律,蕴含着行业发展的大智慧,非常有趣,略作收集总结,再加上一丁点自己的浅见~ 一.摩尔定律:价格不变,集成电路上可容纳的元器件数目,约每隔18个月便会翻一倍,性能也将 ...
js 当前时区
function formatDateTime(formatDate){ //13位时间戳,java js. (php时间戳为10位) var returnDate; if(formatDate == ...
GPIO推挽输出和开漏输出详解
open-drain与push-pull] GPIO的功能,简单说就是可以根据自己的需要去配置为输入或输出.但是在配置GPIO管脚的时候,常会见到两种模式:开漏(open-drain,漏极开路)和推挽 ...
sqlserver 备份与还原
背景真是够懒得,一看这个内容,如此简单.当时的想法就是网上教程一堆,全记下来有啥意思,只是记录了要点.不过写到这里,也就写个别的吧.sqlserver与Oracle比起来,我感觉有个重要差距就是存储 ...
Log4Net 无法写入到SqlServer
直接进入正题: 今天在测试使用Log4Net写入到数据库的时候,发现一直无法写入到数据库中,而且程式也没有报任何错误. 配置信息如下: <appender name="AdoNetAp ...
(常用)time,datetime,random,shutil(zipfile,tarfile),sys模块
a.time模块import time 时间分为三种形式1.时间戳 (时间秒数的表达形式, 从1970年开始)print(time.time())start_time=time.time()time. ...
centos6.5环境基于conga的web图形化界面方式配置rhcs集群
一.简介 RHCS 即 RedHat Cluster Suite ,中文意思即红帽集群套件.红帽集群套件(RedHat Cluter Suite, RHCS)是一套综合的软件组件,可以通过在部署时采用 ...
FreeSWITCH IVR中lua调用并执行nodejs代码
一.功能需求: 通过FreeSWITCH的IVR按键调用相应的脚本文件:nodejs提供很多的模组,可以方便的与其它系统或者进行任何形式的通讯,我的应用是通过nodejs发送http post请求: ...
centos7 部署 docker compose
=============================================== 2019/4/10_第1次修改 ccb_warlock == ...

Python爬虫之正则表达式的使用（三）

正则表达式的使用

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

最常规的匹配

泛匹配

匹配目标

贪婪匹配

非贪婪匹配

使用匹配模式

转义

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

匹配演练

re.findall(pattern,string,flags=0)

re.sub( pattern，repl，string，count，flags)

compile(pattern [, flags])

综合使用

正则表达式匹配IP

判断字符串中是否含有汉字或非汉字

Python爬虫之正则表达式的使用（三）的更多相关文章

随机推荐

热门专题