码迷，mamicode.com
首页 > 编程语言 > 详细

常见的爬虫分析库（3）-Python正则表达式与re模块

时间：2018-10-17 11:13:42      阅读：187      评论：0      收藏：0      [点我收藏+]

标签：port   pad   find   The   分享图片   []   字符   精确   space   

在线正则表达式测试

http://tool.oschina.net/regex/

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

re.match

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
re.match(pattern, string, flags=0)

最常规的匹配

1
2
3
4
5
6
7
8
import re
 
content = ‘Hello 123 4567 World_This is a Regex Demo‘
print(len(content))
result = re.match(‘^Hello\s\d\d\d\s\d{4}\s\w{10}.*Demo$‘, content)
print(result)
print(result.group())
print(result.span())
 
41
<_sre.SRE_Match object; span=(0, 41), match=‘Hello 123 4567 World_This is a Regex Demo‘>
Hello 123 4567 World_This is a Regex Demo
(0, 41)

泛匹配

1
2
3
4
5
6
7
import re
 
content = ‘Hello 123 4567 World_This is a Regex Demo‘
result = re.match(‘^Hello.*Demo$‘, content)
print(result)
print(result.group())
print(result.span())
 
<_sre.SRE_Match object; span=(0, 41), match=‘Hello 123 4567 World_This is a Regex Demo‘>
Hello 123 4567 World_This is a Regex Demo
(0, 41)

匹配目标

1
2
3
4
5
6
7
import re
 
content = ‘Hello 1234567 World_This is a Regex Demo‘
result = re.match(‘^Hello\s(\d+)\sWorld.*Demo$‘, content)
print(result)
print(result.group(1))
print(result.span())
 
<_sre.SRE_Match object; span=(0, 40), match=‘Hello 1234567 World_This is a Regex Demo‘>
1234567
(0, 40)

贪婪匹配

1
2
3
4
5
6
import re
 
content = ‘Hello 1234567 World_This is a Regex Demo‘
result = re.match(‘^He.*(\d+).*Demo$‘, content)
print(result)
print(result.group(1))
 
<_sre.SRE_Match object; span=(0, 40), match=‘Hello 1234567 World_This is a Regex Demo‘>
7

非贪婪匹配

1
2
3
4
5
6
import re
 
content = ‘Hello 1234567 World_This is a Regex Demo‘
result = re.match(‘^He.*?(\d+).*Demo$‘, content)
print(result)
print(result.group(1))
 
<_sre.SRE_Match object; span=(0, 40), match=‘Hello 1234567 World_This is a Regex Demo‘>
1234567

匹配模式

1
2
3
4
5
6
7
import re
 
content = ‘‘‘Hello 1234567 World_This
is a Regex Demo
‘‘‘
result = re.match(‘^He.*?(\d+).*?Demo$‘, content, re.S)
print(result.group(1))
 
1234567

转义

1
2
3
4
5
import re
 
content = ‘price is $5.00‘
result = re.match(‘price is $5.00‘, content)
print(result)
 
None
1
2
3
4
5
import re
 
content = ‘price is $5.00‘
result = re.match(‘price is \$5\.00‘, content)
print(result)
 
<_sre.SRE_Match object; span=(0, 14), match=‘price is $5.00‘>

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

re.search

re.search 扫描整个字符串并返回第一个成功的匹配。

1
2
3
4
5
import re
 
content = ‘Extra stings Hello 1234567 World_This is a Regex Demo Extra stings‘
result = re.match(‘Hello.*?(\d+).*?Demo‘, content)
print(result)
 
None
1
2
3
4
5
6
import re
 
content = ‘Extra stings Hello 1234567 World_This is a Regex Demo Extra stings‘
result = re.search(‘Hello.*?(\d+).*?Demo‘, content)
print(result)
print(result.group(1))
 
<_sre.SRE_Match object; span=(13, 53), match=‘Hello 1234567 World_This is a Regex Demo‘>
1234567

总结：为匹配方便，能用search就不用match

匹配演练

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
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"><i class="fa fa-user"></i>但愿人长久</a>
        </li>
    </ul>
</div>‘‘‘
result = re.search(‘<li.*?active.*?singer="(.*?)">(.*?)</a>‘, html, re.S)
if result:
    print(result.group(1), result.group(2))
 
齐秦 往事随风
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
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>‘‘‘
result = re.search(‘<li.*?singer="(.*?)">(.*?)</a>‘, html, re.S)
if result:
    print(result.group(1), result.group(2))
 
任贤齐 沧海一声笑
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
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>‘‘‘
result = re.search(‘<li.*?singer="(.*?)">(.*?)</a>‘, html)
if result:
    print(result.group(1), result.group(2))
 
beyond 光辉岁月

re.findall

搜索字符串，以列表形式返回全部能匹配的子串。

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
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>‘‘‘
results = re.findall(‘<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>‘, html, re.S)
print(results)
print(type(results))
for result in results:
    print(result)
    print(result[0], result[1], result[2])
技术分享图片 output
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
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>‘‘‘
results = re.findall(‘<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>‘, html, re.S)
print(results)
for result in results:
    print(result[1])
技术分享图片 output

re.sub

替换字符串中每一个匹配的子串后返回替换后的字符串。

1
2
3
4
5
import re
 
content = ‘Extra stings Hello 1234567 World_This is a Regex Demo Extra stings‘
content = re.sub(‘\d+‘, ‘‘, content)
print(content)
 
Extra stings Hello  World_This is a Regex Demo Extra stings
1
2
3
4
5
import re
 
content = ‘Extra stings Hello 1234567 World_This is a Regex Demo Extra stings‘
content = re.sub(‘\d+‘, ‘Replacement‘, content)
print(content)
 
Extra stings Hello Replacement World_This is a Regex Demo Extra stings
1
2
3
4
5
import re
 
content = ‘Extra stings Hello 1234567 World_This is a Regex Demo Extra stings‘
content = re.sub(‘(\d+)‘, r‘\1 8910‘, content)
print(content)
 
Extra stings Hello 1234567 8910 World_This is a Regex Demo Extra stings
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
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>‘‘‘
html = re.sub(‘<a.*?>|</a>‘, ‘‘, html)
print(html)
results = re.findall(‘<li.*?>(.*?)</li>‘, html, re.S)
print(results)
for result in results:
    print(result.strip())
技术分享图片 output

re.compile

将正则字符串编译成正则表达式对象

将一个正则表达式串编译成正则对象，以便于复用该匹配模式:

1
2
3
4
5
6
7
8
import re
 
content = ‘‘‘Hello 1234567 World_This
is a Regex Demo‘‘‘
pattern = re.compile(‘Hello.*Demo‘, re.S)
result = re.match(pattern, content)
#result = re.match(‘Hello.*Demo‘, content, re.S)
print(result)
 
<_sre.SRE_Match object; span=(0, 40), match=‘Hello 1234567 World_This\nis a Regex Demo‘>

实战练习

源码在git上：https://gitee.com/longlovemeng/Spider.git

常见的爬虫分析库（3）-Python正则表达式与re模块

标签：port   pad   find   The   分享图片   []   字符   精确   space   

原文地址：https://www.cnblogs.com/yunlongaimeng/p/9802104.html
踩
(0)
赞
(0)
   
举报
评论 一句话评论（0）
登录后才能评论！
分享档案
更多>
2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)
周排行
mamicode.com排行更多图片
更多
友情链接
兰亭集智   国之画   百度统计   站长统计   阿里云   chrome插件   新版天听网
关于我们 - 联系我们 - 留言反馈
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码！