天天看点
返回

Python正则表达式，看完这篇文章就够了！

玩转正则表达式

本文中介绍的是主要是 

3

 个知识点：

  • 正则表达式的相关知识

  • Python

     的中 

    re

      模块，主要是用来处理正则表达式
  • 一个利用 

    re

      模块通过正则表达式来进行网页数据的爬取和存储

1、正则表达式

1.1 正则表达式及作用

正则表达式的英文是 

regular expression

，通常简写为 

regex、regexp

 或者

RE

，属于计算机领域的一个概念。

正则表达式的主要作用是被用来进行文本的检索、替换或者是从一个串中提取出符合我们指定条件的子串，它描述了一种字符串匹配的模式 

pattern

 。

目前正则表达式已经被集成到了各种文本编辑器和文本处理工具中。

1.2 应用场景

  • 验证：比如在网站中进行表单提交时，进行用户名及密码的验证
  • 查找：从给定的文本信息中进行快速高效地查找与分析字符串
  • 替换：将我们指定格式的文本进行查找，然后将指定的内容进行替换

1.3 网站

在这里介绍几个用来学习和测试正则表达式的网站：

  1. 菜鸟教程-正则表达式

https://www.runoob.com/regexp/regexp-tutorial.html

  1. 正则表达式在线测试工具

https://tool.oschina.net/regex/

  1. GoRegex.cn

https://goregex.cn/

  1. 官方re模块学习

https://docs.python.org/zh-cn/3/library/re.html

  1. 正则表达式30分钟入门教程

https://deerchao.cn/tutorials/regex/regex.htm#mission

1.4 常用字符功能

先介绍常用正则表达式中几种特殊字符的功能：

字符类

字符 含义 例子
. 匹配任意一个字符 ab.可以匹配abc或者abd
[ ] 匹配括号中的任意1个字符 [abcd]可以匹配ab、bc、cd
- 在[ ]内表示的字符范围内进行匹配 [0-9a-fA-F]可以匹配任意一个16进制的数字
^ 位于[ ]括号内的开头，匹配除括号中的字符之外的任意1个字符 [^xy]匹配xy之外的任意一个字符，比如[^xy]1可以匹配A1、B1但是不能匹配x1、y1

 数量限定符

字符 含义 例子
？ 匹配前面紧跟字符的0次或者1次 [0-9]?，匹配1、2、3
+ 匹配前面紧跟字符的1次或者多次 [0-9]+，匹配1、12、123等
* 匹配前面紧跟字符的0次或者多次 [0-9]*，不匹配或者12、123
{N} 匹配前面紧跟字符精确到N次 [1-9][0-9]{2}，匹配100到999的整数，{2}表示[0-9]匹配两个数字
{,M} 匹配前面紧跟字符最多M次 [0-9]{,1}，指的是最多匹配0-9之间的1个整数，相当于是0次或者1次，等价于[0-9]?
{N,M} 匹配前面紧跟字符的至少N次，最多M次

[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}

 ，匹配IP地址，其中.号是特殊字符，需要使用转义字符

位置相关

字符 含义 例子
^ 匹配开头的位置；通过

A

^hello

   匹配

hello

 开头的字符内容
$ 匹配结束的位置同

;$

   匹配一行结尾的

;

 符号   

^$

 匹配空行
< 匹配单词开头的位置 <th  匹配…this但是不能匹配ethernet等
> 匹配单词结尾的位置 p>  匹配leap等，但是不能匹配parent、sleepy等不是p结尾的单词
匹配单词开头或结尾的位置 at 匹配…at…，但是不能匹配cat、atexit、batch（非at开头）
B 匹配非单词开头或者结尾的单词 Bat匹配battery，但是不能匹配attend/hat等以at开头的单词

特殊字符

字符 含义 例子
转义字符，保持后面字符的原义，使其不被转义

.

  输出.
( ) 将表达式的一部分括起来，可以对整个单元使用数量限定符，匹配括号中的内容

([0-9]{1,3}.){3}[0-9]{1,3}

 表示将括号内的内容匹配3次
| 连接两个子表达式，相当于或的关系 n(o|either)匹配no或者neither
d 数字字符 相当于是[0-9]
D 非数字字符 相当于是[^0-9]
w 数字字母下划线 [a-zA-Z0-9_]
W 非数字字母下划线，匹配特殊字符 [^w]
s 空白区域

[ f]

 表格、换行等空白区域
S [^s] 非空白区域

2、re 模块

2.1 re 模块简介

在 

Python

 中主要是利用 

re

 模块进行正则表达式的处理，涉及到 4 个常用的方法：

  • re.match()
  • re.search()
  • re.findall()
  • re.sub()
  • re.split()

5 个方法的基本使用语法是：

import re   # 使用之前先进行导入re模块
re.match(pattern, string, flags)   # match方法为例

上面参数的说明：

参数 描述
pattern 匹配的正则表达式
string 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。

2.2 标志位 flags

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志，如 

re.I | re.M

 被同时设置成 I 和 M 标志：

修饰符 描述
re.I 忽略大小写（常用）
re.L 做本地化识别（locale-aware）匹配
re.M 多行匹配，影响 ^ 和 $
re.S 使 . 匹配包括换行在内的所有字符
re.U 根据Unicode字符集解析字符。这个标志影响 w, W, , B.
re.X 该标志通过给予更灵活的格式，以便将正则表达式写得更易于理解。

2.3 match

从指定字符串的开始位置进行匹配。开始位置匹配成功则继续匹配，否则输出None。

该方法的结果是返回一个正则匹配对象，通过两个方法获取相关内容：

  • 通过 

    group()

      来获取内容
  • 通过 

    span()

      来获取范围：匹配到字符的开始和结束的索引位置

 开始位置没有匹配成功，返回 

None

：

 存在换行的字符串内容，使用 

re.S

：

group()

 方法获取内容的时候，索引符号从 

1

 开始：

2.4 search

re.search

 方法扫描整个字符串，返回的是第一个成功匹配的字符串，否则就返回 

None

group(N)

 中的参数N不能超过正则表达式中括号的个数，若超过则报错：

 2.5 findall

re.findall()

 是扫描整个字符串，通过

列表

形式返回所有符合的字符串

注意：

re.search

 是返回第一个符合要求的字符

 如果存在多个 

.*?

 ，则返回的内容中使用列表中嵌套元组的形式：

2.6 sub

re.sub

 方法是用来替换字符串中的某些内容

  • 直接替换
  • 通过函数替换

 指定具体的替换内容：将空格替换成短横线

 略微复杂的替换

 2.7 split

用法

主要适用于将字符串进行分割：

re.split(pattern, string,maxsplit=0,flags=0)

用 

pattern

 分开 

string

 。如果在 

pattern

 中捕获到括号，那么所有的组里的文字也会包含在列表里。

如果 

maxsplit

 非零， 最多进行 

maxsplit

 次分隔， 剩下的字符全部返回到列表的最后一个元素。

 如何理解是否保留匹配项

 第二种写法就是保留了匹配项

2.8 贪婪模式与非贪婪模式

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为。

贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配；而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配

我们在正则表达式中经常会使用 

3

 个符号：

  • 点 

    .

      ：表示匹配的是除去换行符之外的任意字符
  • 问号 

    ?

      ：表示匹配 0 个或者 1 个
  • 星号 

    *

     ：表示匹配 0 个或者任意个字符

贪婪模式与非贪婪模式:

  • .*?

       非贪婪模式

  • .*

        贪婪模式

看一个例子来比较 

re

 模块中两种匹配方式的不同：

  1. 在上面的非贪婪模式中，使用了问号 

    ？

     ，当匹配到 

    aaaacb

      已经达到了要求，停止第一次匹配；接下来再开始匹配到 

    ab

      ；再匹配到 

    adceb

      ；所以存在多个匹配结果
  2. 在贪婪模式中，程序会找到最长的那个符合要求的字符串

关于正则表达式中贪婪和非贪婪模式的详解，请参考文章 https://www.cnblogs.com/520yang/articles/7473596.html，写的非常清楚。

3、基于正则的爬虫

字符串是在我们编程中涉及最多的一种数据结构，对字符串进行操作的需求几乎无处不在。

比如我们编写好了爬虫程序，在得到了网页的源码之后，怎么从茫茫数据中提取出来我们指定的数据？这个通过正则表达式提取就是其中的方法之一。

接下来讲解的通过 re 模块来爬取某个网站的内容。

3.1 网页结构

3.2 网页地址

第一页的地址是  http://www.quanshuwang.com/list/1_1.html  ，第二页是 http://www.quanshuwang.com/list/1_2.html  ，网页地址的规律

for i in range(1, 1156):  # 总共1155页
  url = "http://www.quanshuwang.com/list/1_{}.html".format(i)

3.3 爬取信息

导入库爬虫中需要的库

import re  # 解析数据
import requests # 发送请求
import csv  # 存入数据
import pandas as pd

爬取第一页

爬取第一页的内容进行测试

url = "http://www.quanshuwang.com/list/1_1.html"  # 第一页
headers = {"User-Agent": "自己的请求头"}
response = requests.get(url=url, headers=headers)   # 得到响应
res = response.content.decode('gbk', 'ignore')  # 获取源码，实际编码是gbk
res

3.4 完整代码

下面是完整的源码，包含：

  • 访问链接获取源码数据
  • 利用 re 模块解析数据
  • 利用 csv 模块保存数据
  • 读取数据

 https://mp.weixin.qq.com/s/pvG2VfksW1sPCCiEm8IBxA

上一篇: cocos2dx中CCFileUtils::sharedFileUtils()&gt;getFileData的内存释放问题
下一篇: 学习笔记day3