python爬虫之正则表达式

Posted 2021-11-29 feng0815

字符串是我们在编程的时候很常用的一种数据类型，检查会在字符串里面查找一些内容，对于比较简单的查找，字符串里面就有一些内置的方法可以处理，对于比较复杂的字符串查找，或者是有一些内容经常变化的字符串里面查找，那么字符串内置的查找方法已经不好使了，满足不了我们的要求，这个时候就得用正则表达式了，正则表达式就是用来匹配一些比较复杂的字符串。

 

     在python中，如果使用正则表达式的话，需要导入re模块，re模块是一个内置模块，直接import就可以使用。

     匹配字符串的几个方法

import re
s=‘chenshifeng is a good boy‘
print(re.match(‘chen‘,s))
#match方法接收3个参数，第一个是匹配的规则，也就是正则表达式，第二个是要查找的字符串，
#第三个参数不是必填的，用于控制正则表达式的匹配方式，看下面正则表达式的匹配模式。是从字符串的第一个单词中匹配字符串，如果匹配到返回一个对象，如果匹配不到，则返回None
#>>> <_sre.SRE_Match object; span=(0, 4), match=‘chen‘>
print(re.search(‘feng‘,s))
#search方法的参数和match一样，和match方法不一样的是，match是从字符串里面的第一个单词里面找，而search方法则是从字符串的整个内容里面找，如果找到了就返回第一个，找不到就返回None
#>>> <_sre.SRE_Match object; span=(7, 11), match=‘feng‘>
print(re.findall(‘feng‘,s))
#findall方法的参数上面的match、search一样，和他们不一样的是，findall会返回所有一个list，把所有匹配到的字符串，放到这个list里面，如果找不到的话，就返回一个空的list
#>>> [‘feng‘]
print(re.sub(‘chen‘,‘Chen‘,s))
#sub方法和字符串的replace方法一样，是用来替换字符串的，把匹配到的值替换成一个新的字符串，接收3个参数，第一个是正则表达式，第二个是要替换成什么，第三个就是要查找的字符串，会返回一个新的字符串，如果匹配不到的话，返回原来的字符串
#>>> Chenshifeng is a good boy
print(re.split(‘is‘,s))
#split 方法和字符串的split方法一样，是用来分割字符的，按照匹配到的字符串进行分割，返回的是一个list，如果匹配不到的话，那返回的list中还是原来的字符串
#>>> [‘chenshifeng ‘, ‘ a good boy‘]

常用正则表达式符号

1、数量词

import re

str1="87alalsdkj34878273\nalkjsldkjfalsdjalksd2klajlfkasjlkdf"

#"*" 匹配0次或者多次前面出现的正则表达式
print(re.findall("al*",str1))   #等价于al|a
#结果：[‘al‘, ‘al‘, ‘al‘, ‘al‘, ‘al‘, ‘a‘, ‘a‘]

# “+”匹配前面出现的正则表达式一次或者多次
print(re.findall("al+",str1)) #等价于“al”
#结果[‘al‘, ‘al‘, ‘al‘, ‘al‘, ‘al‘]，

# “？”匹配0次或者一次前面出现的正则表达式
print(re.findall("al?",str1))
#结果：[‘al‘, ‘al‘, ‘al‘, ‘al‘, ‘al‘, ‘a‘, ‘a‘]

# {n}匹配前出现的正则表达式n次
print(re.findall("[0-9]{2}",str1))
#结果：[‘87‘, ‘34‘, ‘87‘, ‘82‘, ‘73‘]

# {n,m}匹配前出现的正则表达式n到m次
print(re.findall("[0-9]{2,3}",str1))  #两者都满满足时，值去最大的匹配
#结果：[‘87‘, ‘348‘, ‘782‘, ‘73‘]

2、一般字符串

‘.‘     默认匹配除\n之外的任意一个字符
print(re.findall(r‘b.‘,‘besttest is good‘))
‘[....]‘,字符集合，
>>> [‘be‘]
>>> [‘st‘, ‘st‘, ‘s‘, ‘st‘]
‘\‘   转译符，前面的* + ?这样的字符都有特殊含义了，如果你想就想找它的话，那就得转译了
意思就是说如果你想让特殊字符失去以前的含义，那么就得给它前面加上print(re.findall(r‘\?‘,‘besttest is best????‘))
>>> [‘?‘, ‘?‘, ‘?‘, ‘?‘]
‘|‘     匹配|左或|右的字符
print(re.findall(r‘best|is‘,‘besttest is best‘))
>>> [‘best‘, ‘is‘, ‘best‘]
‘[]‘ 字符集合，某些字符的集合，匹配的时候是这个集合里面的任意一个就行
print(re.findall(r‘be[stacj]‘,‘besttest is best bejson‘))
>>>[‘bes‘, ‘bes‘, ‘bej‘]
在[]里面如果用^的话代表取反，也就是不包括的这些字符串的
print(re.findall(r‘be[^stac]‘,‘besttest is best bejson‘))

3、边界匹配

‘^‘     匹配以什么字符开头,多行情况下匹配每一行的开头
print(re.findall(r‘^b‘,‘besttest is good‘))
>>> [‘b‘]
print(re.findall(r‘^b‘,‘besttest is good\nbest‘,re.M))#多行模式
>>> [‘b‘,‘b‘]
‘$‘     匹配以什么字符结尾,多行情况下匹配每一行的结尾
print(re.findall(r‘d$‘,‘besttest is good‘))
>>> [‘d‘]
print(re.findall(r‘d$‘,‘besttest is good\nbest is good‘,re.M<span style="line-height:1.5;">))#多行模式</span> >>>[‘d‘,‘d‘]
‘\A‘ 仅以什么字符开头，和^不同的是它不能用多行模式
print(re.findall(r‘\Ab‘,‘besttest is good‘))
>>> [‘b‘]
‘\Z‘ 仅以什么字符结尾，和$不同的是它不能用多行模式
print(re.findall(r‘d\Z‘,‘besttest is good‘))
>>> [‘d‘]

4、预定义字符集合

‘\d‘  匹配数字0-9
print(re.findall(r‘\d+‘,‘sdf2342312sdfs‘))
>>> [‘2342312‘]
‘\D‘    匹配非数字
print(re.findall(r‘\D‘,‘sdf2342312sdfs‘))
>>>[‘sdf‘, ‘sdfs‘]
‘\w‘    匹配[A-Za-z0-9],也就是所有的字母和数字
print(re.findall(r‘\w‘,‘sdf234%^2312sdfs&‘))
>>>[‘sdf234‘, ‘2312sdfs‘]
‘\W‘ 匹配不是[A-Za-z0-9]，也就是不是字母和数字
print(re.findall(r‘\W‘,‘sdf234%^2312sdfs&‘))
>>>[‘%‘, ‘^‘, ‘&‘]
‘\s‘ 匹配空白字符、\t、\n、\r,空格
print(re.findall(‘\s‘,‘axss\n\tsdf\t\r\t‘))
>>> [‘\n‘, ‘\t‘, ‘\t‘, ‘\r‘, ‘\t‘]
‘\S‘匹配空白字符,不是\t、\n、\r,空格
print(re.findall(‘\s‘,‘axss\n\tsdf\t\r\t‘))
>>>[‘\n‘, ‘\t‘, ‘\t‘, ‘\r‘, ‘\t‘]

5、分组匹配

‘(...)‘ 分组匹配，把某些规则写成在一个组里，这样就可以直接对这个进行一些匹配了，举个例子的话，如果要匹配ip地址的话
ip地址是类似这样的192.168.5.1，每一位都是1位或者3位的数字然后后面有个点正常写的话,得这么写
print(re.findall(r‘\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3}‘,"192.168.1.3"))
>>> [‘192.168.1.3‘]
这样写的话，有点麻烦了，通过上面的我们可以发现规律，除了第一个后面的全都是‘.\d{1,3}‘，写重复的代码就是低级的，这样的话就可以用分组了
就把‘.\d{1,3}‘当做一个整体，然后让他们出现3次就ok了，可以改成下面这样的
print(re.search(r‘\d{1,3}(.\d{1,3}){3}‘,"192.168.1.3").group())这个是用search方法的，结果和上面的一样的
>>> 192.168.1.3
print(re.findall(r‘\d{1,3}(.\d{1,3}){3}‘,"192.168.1.3"))咱们继续用findall方法，发现结果是下面的
>>> [‘.3‘]
为啥会这样呢，用match方法和search方法都是正常的，findall方法这里有个坑，就是如果findall方法里面有分组的话，那结果就只是分组里面的内容
，如果想让结果正确的话就在分组最前面写上‘?:‘，一个问号和一个冒号就好了，启用“不捕捉模式”
print(re.findall(r‘\d{1,3}(?:.\d{1,3}){3}‘,"192.168.1.3"))
这么写结果就对了

正则表达式匹配模式

 正则匹配模式是用在match、search、findall里面的第三个参数，还有其他的模式，但是一般也用不到，就这两种能用到，别的就不记了

re.I: #忽略大小写
re.M: #多行模式，改变‘^‘和‘$‘的行为
re.findall(‘pattern‘, ‘string‘,re.I)