python爬虫(二)--------正则表达式
阿里云国内75折 回扣 微信号:monov8 |
阿里云国际,腾讯云国际,低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号:monov8 飞机:@monov6 |
目录
正则表达式
1正则表达式是对字符串操作的一种逻辑公式就是用事先定义好的一些特殊字符及这些特定字符的组合组成一个“规则字符串”这个“规则字符串”用来表达对字符串的一种逻辑过滤。
2非python独有
3python里面是使用re模块来实现的不需要额外进行安装是python内置模块
常见匹配模式
模式 | 描述 |
---|---|
\w | 匹配字母数字及下划线 |
\W | 匹配非字母数字下划线 |
\s | 匹配任意空白字符等价于 [\t\n\r\f]. |
\S | 匹配任意非空字符 |
\d | 匹配任意数字等价于 [0-9] |
\D | 匹配任意非数字 |
\A | 匹配字符串开始 |
\Z | 匹配字符串结束如果是存在换行只匹配到换行前的结束字符串 |
\z | 匹配字符串结束 |
\G | 匹配最后匹配完成的位置 |
\n | 匹配一个换行符 |
\t | 匹配一个制表符 |
^ | 匹配字符串的开头 |
$ | 匹配字符串的末尾。 |
. | 匹配任意字符除了换行符当re.DOTALL标记被指定时则可以匹配包括换行符的任意字符。 |
[...] | 用来表示一组字符,单独列出[amk] 匹配 'a''m'或'k' |
[^...] | 不在[]中的字符[^abc] 匹配除了a,b,c之外的字符。 |
* | 匹配0个或多个的表达式。 |
+ | 匹配1个或多个的表达式。 |
? | 匹配0个或1个由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 m 次由前面的正则表达式定义的片段贪婪方式 |
a|b | 匹配a或b |
( ) | 匹配括号内的表达式也表示一个组 |
一re.match()方法的使用
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。
1最常规的匹配
import re #导包
content = 'Hello 123 456789 World_This is a Regex Demo' # 准备好的待匹配字符串
res = re.match('^Hello\s\d\d\d\s\d{6}\s\w{10}.*Demo$', content)
print(res) # 返回的是一个匹配对象
print(res.group()) # .group()获取匹配内容
print(res.span()) # 查看匹配长度
print(len(content)) # len统计字符串数量
2泛匹配
import re
content = 'Hello 123 4567 World_Thixs is a Regex'
result = re.match('He.*?Regex',content)
print(result.group()) # 获取匹配内容
print(result.span()) # 获取匹配长度
3匹配目标--分组匹配
为了匹配字符串中具体的目标可以使用进行分组匹配
import re
content = 'qwe Hello 1234567 World_This is a Regex Demo'
result = re.match('qwe\s(\w+)\s(\d{7}).*Demo',content)
print(result.group()) # 获取匹配内容
print(result.group(1)) # 提取第一组表达式内匹配到的字符
print(result.group(2)) # 提取第二组表达式内匹配的字符
4贪婪匹配
尽可能多的去匹配
import re
# 匹配尽可能多的字符
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*(\d+)\s.*Demo$', content)
print(result)
print(result.group(1))
5非贪婪匹配
尽可能少的去匹配
import re
# 匹配尽可能少的字符
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*?(\d+).*Demo$', content)
print(result)
print(result.group(1))
6匹配模式
import re
# re.S 匹配包括换行在内的所有字符
content = '''Hello 1234567 World_This
is a Regex Demo
'''
result = re.match('^He.*?(\d+).*Demo$', content,re.S)
print(result)
print(result.group(1))
7转义
import re
content = 'price is $5.00'
result = re.match('price\sis\s$5.00', content)
print(result)
import re
# \表示转义加在特殊字符的前面表示它不是正则里的匹配符号而是普通文本
content = 'price is $5.00'
result = re.match('price\sis\s\$5\.00', content)
print(result)
print(result.group())
总结尽量使用泛匹配、使用括号得到匹配目标、尽量使用非贪婪模式、有换行符就用re.S
二re.search()方法的使用
re.search() 扫描整个字符串并返回第一个成功的匹配值。
import re
content = 'Extroa stings Hello 1234567 World_This is a 66666666 RDemogex Demo Extra stings'
result = re.search('He.*?(\d+).*?Wor.*?s$', content)
print(result)
print(result.group(1))
总结为匹配方便能用search()就不用match()
三匹配演练
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5" class='active'><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
</li>
</ul>
</div>'''
# 用正则匹配出 --- 齐秦 往事随风
import re
# 在匹配目标值的时候 目标值的前后特征字符要做原样保留
r = re.search('<li\sdata-view="4".*?singer="(.*?)">(.*?)</a>',html,re.S)
print(r.group(1))
print(r.group(2))
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5" class='active'><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
</li>
</ul>
</div>'''
# 用正则匹配出 --- 所有的链接歌手和歌手名
r = re.search('<a\shref="(.*?)"\ssinger="(.*?)">(.*?)</a>',html,re.S)
print(r.group(1))
print(r.group(2))
print(r.group(3))
四 re.findall()
前面的match()以及search()都只能匹配到第一个
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
</li>
</ul>
</div>'''
# 用正则匹配出 --- 所有的链接歌手和歌手名
import re
# 在匹配目标值的时候 目标值的前后特征字符要做原样保留
r = re.findall('<a\shref="(.*?)"\ssinger="(.*?)">(.*?)</a>',html,re.S)
print(r)
五re.sub()
替换字符串中每一个匹配的字符
import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
# 第一个参数 正则表达式
# 第二个参数 :要替换的新字符
# 第三个参数原字符串
content = re.sub('s', '7', content)
print(content)
import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
content = re.sub('\d+', '666', content)
print(content)
import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
# 要替换的内容是在包含原字符串的本身后面去追加
# \1表示保留原字符串r表示追加 空格后面为要追加的内容
content = re.sub('(\d+)',r'\1 3333', content)
print(content)
import re
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</li>
</ul>
</div>'''
# | 表示或
html = re.sub('<a.*?>|</a>','', html)
print(html) # a标签都被替换掉了