VB.net 2010 视频教程 VB.net 2010 视频教程 python基础视频教程
SQL Server 2008 视频教程 c#入门经典教程 Visual Basic从门到精通视频教程
当前位置:
首页 > temp > 简明python教程 >
  • Python爬虫解析神器-正则表达式如何正确运用?案例详解

先详细的整理一下Python中的正则表达式的相关内容。正则表达式在Python爬虫中的作用就像是老师点名时用的花名册一样,是必不可少的神兵利器。

一、 正则表达式基础

1.1.概念介绍

正则表达式是用于处理字符串的强大工具,它并不是Python的一部分。

其他编程语言中也有正则表达式的概念,区别只在于不同的编程语言实现支持的语法数量不同。

它拥有自己独特的语法以及一个独立的处理引擎,在提供了正则表达式的语言里,正则表达式的语法都是一样的。

下图展示了使用正则表达式进行匹配的流程:

正则表达式的大致匹配过程是:

1.依次拿出表达式和文本中的字符比较,

2.如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。3.如果表达式中有量词或边界,这个过程会稍微有一些不同。

3.光理论是不够的。这里顺便送大家一套2020最新python入门到高级项目实战视频教程,可以去小编的Python交流.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,还可以跟老司机交流讨教!

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。

贪婪模式,总是尝试匹配尽可能多的字符;

非贪婪模式则相反,总是尝试匹配尽可能少的字符。

Python里数量词默认是贪婪的。

例如:正则表达式"ab*"如果用于查找"abbbc",将找到"abbb"。

而如果使用非贪婪的数量词"ab*?",将找到"a"。

1.3. 反斜杠的问题

与大多数编程语言相同,正则表达式里使用""作为转义字符,这就可能造成反斜杠困扰。

假如你需要匹配文本中的字符"",那么使用编程语言表示的正则表达式里将需要4个反斜杠"\":

第一个和第三个用于在编程语言里将第二个和第四个转义成反斜杠,

转换成两个反斜杠后再在正则表达式里转义成一个反斜杠用来匹配反斜杠。

这样显然是非常麻烦的。

Python里的原生字符串很好地解决了这个问题,这个例子中的正则表达式可以使用r""表示。

同样,匹配一个数字的"d"可以写成r"d"。

有了原生字符串,妈妈再也不用担心我的反斜杠问题~

二、 介绍re模块

2.1. Compile

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤是:

Step1:先将正则表达式的字符串形式编译为Pattern实例。

Step2:然后使用Pattern实例处理文本并获得匹配结果(一个Match实例)。

Step3:最后使用Match实例获得信息,进行其他的操作。

我们新建一个re01.py来试验一下re的应用:

代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
# -*- coding: utf-8 -*- 
#一个简单的re实例,匹配字符串中的hello字符串 
#导入re模块 
import re 
# 将正则表达式编译成Pattern对象,注意hello前面的r的意思是“原生字符串” 
pattern = re.compile(r'hello'
# 使用Pattern匹配文本,获得匹配结果,无法匹配时将返回None 
match1 = pattern.match('hello world!'
match2 = pattern.match('helloo world!'
match3 = pattern.match('helllo world!'
#如果match1匹配成功 
if match1: 
# 使用Match获得分组信息 
print match1.group() 
else
print 'match1匹配失败!'
#如果match2匹配成功 
if match2: 
# 使用Match获得分组信息 
print match2.group() 
else
print 'match2匹配失败!'
#如果match3匹配成功 
if match3: 
# 使用Match获得分组信息 
print match3.group() 
else
print 'match3匹配失败!'

可以看到控制台输出了匹配的三个结果:

下面来具体看看代码中的关键方法。

★ re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法,用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式,取值可以使用按位或运算符'|'表示同时生效,比如re.I | re.M。

另外,你也可以在regex字符串中指定模式,

比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。

可选值有:

re.I(全拼:IGNORECASE): 忽略大小写(括号内是完整写法,下同)

re.M(全拼:MULTILINE): 多行模式,改变'^'和'$'的行为(参见上图)

re.S(全拼:DOTALL): 点任意匹配模式,改变'.'的行为

re.L(全拼:LOCALE): 使预定字符类 w W  B s S 取决于当前区域设定

re.U(全拼:UNICODE): 使预定字符类 w W  B s S d D 取决于unicode定义的字符属性

re.X(全拼:VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。

以下两个正则表达式是等价的:

代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
# -*- coding: utf-8 -*- 
#两个等价的re匹配,匹配一个小数 
import re 
a = re.compile(r"""d + # the integral part 
. # the decimal point 
d * # some fractional digits""", re.X) 
b = re.compile(r"d+.d*"
match11 = a.match('3.1415'
match12 = a.match('33'
match21 = b.match('3.1415'
match22 = b.match('33'
if match11: 
# 使用Match获得分组信息 
print match11.group() 
else
print u'match11不是小数'
if match12: 
# 使用Match获得分组信息 
print match12.group() 
else
print u'match12不是小数'
if match21: 
# 使用Match获得分组信息 
print match21.group() 
else
print u'match21不是小数'
if match22: 
# 使用Match获得分组信息 
print match22.group() 
else
print u'match22不是小数'

相关教程