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	匹配数字
\D	匹配非数字
\w	匹配字母数字及下划线
\W	匹配非字母数字下划线
\s	匹配任意空白字符
\A	匹配字符串开始
\Z	匹配字符串结束，如果存在换行，只匹配到换行前最后一个字符串
\z	匹配字符串结束
\G	匹配最后匹配完成的位置
\n	匹配换行符
\t	匹配制表符
^	从字符串的开头匹配
$	匹配到字符串的末尾
.	匹配任意字符，换行符除外,但是当re.DOTALL标记被指定时，则可以匹配任意字符
[...]	用来表示一组字符，例：[abc]匹配'a','b','c'
[^...]	匹配不存在[]中的字符，例[^abc],匹配a,b,c之外的字符
*	匹配0个或多个的表达式
+	匹配一个或多个的表达式
？	匹配0个或1个有前面的正则表达式定义的片段，非贪婪方式
｛n｝	精确匹配n个前面表达式
｛n,m｝	匹配n到mci由前面的正则表达式定义的片段，贪婪方式
a|b	匹配a或者b
()	匹配括号内的表达式，也表示一个组(match,search)

二、re模块常用的一些方法

re.match(pattern,content,flags)

pattern:匹配规则

content:要匹配的字符串

flags：标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

返回结果：匹配到则返回一个match对象，匹配失败返回None

获取对象方法

group(n): 匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。

groups():返回一个包含所有小组字符串的元组

span()：匹配的起始到结束位置

局限性：1.match方法是从字符串起始位置开始进行匹配，若是起始位置匹配不到则直接结束

　　　　2.match 方法匹配到内容后就结束匹配，无法获取多个

实例如下：

import re

content="abc123abc234"
result = re.match('abc[0-9]+',content) #从开头匹配
result1 = re.match('bc[0-9]+',content) #不从开头匹配
print 'result=',result.group()
print 'result1=',result1

结果：

result= abc123
result1= None

实例中的abc[0-9]类型，应该有多个，但是因为match 匹配到就直接结束，导致只有一个结果返回，并且result1 由于并不是从开头进行匹配，所以没有结果返回

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

与match 相比，search的主要区别是扫描整个字符串去匹配目标。匹配成功后返回

实例如下

import re

content="abc123abc234"
result = re.search('abc[0-9]+',content) #从开头匹配
result1 = re.search('bc[0-9]+',content) #不从开头匹配
print 'result=',result.group()
print 'result1=',result1.group()

结果如下

result= abc123
result1= bc123

re.sub(pattern,repl,content，count)

pattern：匹配规则

repl：替换的字符串，也可以为一个函数

content：要被替换查找的字符串

count：替换的次数，默认替换全部

实例

import re

content="abc123abc234"
result = re.sub('(abc)','',content,1) #删除abc字符串1次
result1 = re.sub('(abc)','',content) #删除全部abc字符串
print 'result=',result
print 'result1=',result1

结果

result= 123abc234
result1= 123234

实例

import re
def double(match):
    vaule = int(match.group())
    return str(vaule*2)
content="abc123abc234"
result = re.sub('([0-9])',double,content) #将字符串的数字乘以2
print 'result=',result

结果

result= abc246abc468

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

findall 方法与search的主要差别在与findall 能查找出所有与之匹配的字符串

实例

import re

content="abc123abc234"
result = re.findall('([0-9]+)',content) #匹配数字
print 'result=',result

结果

result= ['', '']

以上就是python正则表达式常用的一些方法，以及正则表达是中常用的一些匹配规则