Regular Expression,正則表達式,一種使用表達式的方式對字符串進行匹配的語法規(guī)則.

爬蟲中我們抓取到的網頁源代碼本質上就是一個超長的字符串,想從里面提取內容.用正則再合適不過了.

正則的語法: 使?元字符進?排列組合?來匹配字符串

元字符

具有固定含義的特殊符號

常?元字符

1 . 匹配除換?符以外的任意字符, 2. \w 匹配字?或數(shù)字或下劃線 3. \s 匹配任意的空?符 4 \d 匹配數(shù)字 5 \n 匹配?個換?符 6 \t 匹配?個制表符 78 ^ 匹配字符串的開始 9 $ 匹配字符串的結尾 10 11 \W 匹配?字?或數(shù)字或下劃線 12 \D 匹配?數(shù)字 13 \S 匹配?空?符 14 a|b 匹配字符a或字符b 15 () 匹配括號內的表達式，也表示?個組 16 [...] 匹配字符組中的字符 17 [^...] 匹配除了字符組中字符的所有字符

量詞: 控制前?的元字符出現(xiàn)的次數(shù)

1 * 重復零次或更多次 2 + 重復?次或更多次 3 ? 重復零次或?次 4 {n} 重復n次 5 {n,} 重復n次或更多次 6 {n,m} 重復n到m次

貪婪匹配和惰性匹配

1 .* 貪婪匹配, 盡可能多的去匹配結果 2 .*? 惰性匹配, 盡可能少的去匹配結果 -> 回溯

這兩個要著重的說?下. 因為我們寫爬??的最多的就是這個惰性匹
配

RE模塊

那么接下來的問題是, 正則我會寫了, 怎么在python程序中使?正則
呢?

答案是re模塊

re模塊中我們只需要記住這么?個功能就?夠我們使?了.

1. findall 查找所有. 返回list

lst = re.findall("m", "mai le fo len, mai nimei!") print(lst) # ['m', 'm', 'm'] lst = re.findall(r"\d+", "5點之前. 你要給我5000 萬") print(lst) # ['5', '5000']

2. search 會進?匹配. 但是如果匹配到了第?個結果. 就會返回這
個結果. 如果匹配不上search返回的則是None

ret = re.search(r'\d', '5點之前. 你要給我5000萬').group() print(ret) # 5

3. match 只能從字符串的開頭進?匹配

1 ret = re.match('a', 'abc').group() 2 print(ret) # a

4. finditer, 和findall差不多. 只不過這時返回的是迭代器(重點)

it = re.finditer("m", "mai le fo len, mai nimei!") for el in it: print(el.group())#依然需要分組

5. compile() 可以將?個??的正則進?預加載. ?便后?的使?

obj = re.compile(r'\d{3}') # 將正則表達式編譯成為?個 正則表達式對象, 規(guī)則要匹配的是3個數(shù)字 ret = obj.search('abc123eeee') # 正則表達式對象調?search, 參數(shù)為待匹配的字符串 print(ret.group()) # 結果: 123

6. 正則中的內容如何單獨提取?單獨獲取到正則中的具體內容可以給分組起名字

?P<組名>正則表達式

s = """<div class='?游記'><span id='10010'>中國聯(lián)通 </span></div>"""obj = re.compile(r"<span id='(?P<id>\d+)'>(?P<name>\w+)</span>", re.S) result = obj.search(s) print(result.group()) # 結果: <span id='10010'>中國聯(lián)通</span>print(result.group("id")) # 結果: 10010 # 獲取id組的內容print(result.group("name")) # 結果: 中國聯(lián)通 #獲取name組的內容

這?可以看到我們可以通過使?分組. 來對正則匹配到的內容進?步的進?篩選

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的python爬虫 -- 正则表达式 与 Re模块的介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。