Python网络爬虫七Python中的正则表达式教程.docx

Python网络爬虫七Python中的正则表达式教程.docx

《Python网络爬虫七Python中的正则表达式教程.docx》由会员分享，可在线阅读，更多相关《Python网络爬虫七Python中的正则表达式教程.docx（18页珍藏版）》请在冰豆网上搜索。

Python网络爬虫七Python中的正则表达式教程

一、正则表达式基础

1.1.概念介绍

正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。

其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。

它拥有自己独特的语法以及一个独立的处理引擎，在提供了正则表达式的语言里，正则表达式的语法都是一样的。

下图展示了使用正则表达式进行匹配的流程：

正则表达式的大致匹配过程是：

1.依次拿出表达式和文本中的字符比较，

2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。

3.如果表达式中有量词或边界，这个过程会稍微有一些不同。

下图列出了Python支持的正则表达式元字符和语法：

1.2.数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。

贪婪模式，总是尝试匹配尽可能多的字符；

非贪婪模式则相反，总是尝试匹配尽可能少的字符。

Python里数量词默认是贪婪的。

例如：

正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。

而如果使用非贪婪的数量词"ab*?

"，将找到"a"。

1.3.反斜杠的问题

与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。

假如你需要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\"：

第一个和第三个用于在编程语言里将第二个和第四个转义成反斜杠，

转换成两个反斜杠\\后再在正则表达式里转义成一个反斜杠用来匹配反斜杠\。

这样显然是非常麻烦的。

Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\"表示。

同样，匹配一个数字的"\\d"可以写成r"\d"。

有了原生字符串，妈妈再也不用担心我的反斜杠问题~

二、 介绍re模块

2.1.  Compile

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤是：

Step1：

先将正则表达式的字符串形式编译为Pattern实例。

Step2：

然后使用Pattern实例处理文本并获得匹配结果（一个Match实例）。

Step3：

最后使用Match实例获得信息，进行其他的操作。

我们新建一个re01.py来试验一下re的应用：

[python] viewplaincopy

1.# -*- coding:

 utf-8 -*-  

2.#一个简单的re实例，匹配字符串中的hello字符串  

3.  

4.#导入re模块  

5.import re  

6.   

7.# 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”  

8.pattern = pile（r'hello'）  

9.   

10.# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None  

11.match1 = pattern.match（'hello world!

'）  

12.match2 = pattern.match（'helloo world!

'）  

13.match3 = pattern.match（'helllo world!

'）  

14.  

15.#如果match1匹配成功  

16.if match1:

17.    # 使用Match获得分组信息  

18.    print match1.group（）  

19.else:

20.    print 'match1匹配失败！

'  

21.  

22.  

23.#如果match2匹配成功  

24.if match2:

25.    # 使用Match获得分组信息  

26.    print match2.group（）  

27.else:

28.    print 'match2匹配失败！

'  

29.  

30.  

31.#如果match3匹配成功  

32.if match3:

33.    # 使用Match获得分组信息  

34.    print match3.group（）  

35.else:

36.    print 'match3匹配失败！

'  

可以看到控制台输出了匹配的三个结果：

下面来具体看看代码中的关键方法。

★pile（strPattern[,flag]）:

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I|re.M。

另外，你也可以在regex字符串中指定模式，

比如pile（'pattern',re.I|re.M）与pile（'（?

im）pattern'）是等价的。

可选值有：

   re.I（全拼：

IGNORECASE）:

忽略大小写（括号内是完整写法，下同）

∙   re.M（全拼：

MULTILINE）:

多行模式，改变'^'和'$'的行为（参见上图）

∙    re.S（全拼：

DOTALL）:

点任意匹配模式，改变'.'的行为

∙    re.L（全拼：

LOCALE）:

使预定字符类\w\W\b\B\s\S取决于当前区域设定

∙    re.U（全拼：

UNICODE）:

使预定字符类\w\W\b\B\s\S\d\D取决于unicode定义的字符属性

∙    re.X（全拼：

VERBOSE）:

详细模式。

这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

以下两个正则表达式是等价的：

[python] viewplaincopy

1.# -*- coding:

 utf-8 -*-  

2.#两个等价的re匹配,匹配一个小数  

3.import re  

4.  

5.a = pile（r"""\d +  # the integral part 

6.                   \.    # the decimal point 

7.                   \d *  # some fractional digits""", re.X）  

8.  

9.b = pile（r"\d+\.\d*"）  

10.  

11.match11 = a.match（'3.1415'）  

12.match12 = a.match（'33'）  

13.match21 = b.match（'3.1415'）  

14.match22 = b.match（'33'）   

15.  

16.if match11:

17.    # 使用Match获得分组信息  

18.    print match11.group（）  

19.else:

20.    print u'match11不是小数'  

21.      

22.if match12:

23.    # 使用Match获得分组信息  

24.    print match12.group（）  

25.else:

26.    print u'match12不是小数'  

27.      

28.if match21:

29.    # 使用Match获得分组信息  

30.    print match21.group（）  

31.else:

32.    print u'match21不是小数'  

33.  

34.if match22:

35.    # 使用Match获得分组信息  

36.    print match22.group（）  

37.else:

38.    print u'match22不是小数'  

re提供了众多模块方法用于完成正则表达式的功能。

这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行pile（）代码，

但同时也无法复用编译后的Pattern对象。

这些方法将在Pattern类的实例方法部分一起介绍。

如一开始的hello实例可以简写为：

[html] viewplaincopy

1.# -*- coding:

 utf-8 -*-  

2.#一个简单的re实例，匹配字符串中的hello字符串  

3.import re  

4.  

5.m = re.match（r'hello', 'hello world!

'）  

6.print m.group（）  

re模块还提供了一个方法escape（string），用于将string中的正则表达式元字符如*/+/?

等之前加上转义符再返回

2.2.Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

1.string:

匹配时使用的文本。

2.re:

匹配时使用的Pattern对象。

3.pos:

文本中正则表达式开始搜索的索引。

值与Pattern.match（）和Pattern.seach（）方法的同名参数相同。

4.endpos:

文本中正则表达式结束搜索的索引。

值与Pattern.match（）和Pattern.seach（）方法的同名参数相同。

5.lastindex:

最后一个被捕获的分组在文本中的索引。

如果没有被捕获的分组，将为None。

6.lastgroup:

最后一个被捕获的分组的别名。

如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

1.group（[group1,…]）：

获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。

group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group（0）；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。

2.groups（[default]）：

以元组形式返回全部分组截获的字符串。

相当于调用group（1,2,…last）。

default表示没有截获字符串的组以这个值替代，默认为None。

3.groupdict（[default]）：

返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。

default含义同上。

4.start（[group]）：

返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。

group默认值为0。

5.end（[group]）：

返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。

group默认值为0。

6.span（[group]）：

返回（start（group）,end（group））。

7.expand（template）：

将匹配到的分组代入template中然后返回。

template中可以使用\id或\g、\g引用分组，但不能使用编号0。

\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

下面来用一个py实例输出所有的内容加深理解：

[python] viewplaincopy

1.# -*- coding:

 utf-8 -*-  

2.#一个简单的match实例  

3.  

4.import re  

5.# 匹配如下内容：

单词+空格+单词+任意字符  

6.m = re.match（r'（\w+） （\w+）（?

P.*）', 'hello world!

'）  

7.  

8.print "m.string:

", m.string  

9.print "m.re:

", m.re  

10.print "m.pos:

", m.pos  

11.print "m.endpos:

", m.endpos  

12.print "m.lastindex:

", m.lastindex  

13.print "m.lastgroup:

", m.lastgroup  

14.  

15.print "m.group（）:

", m.group（）  

16.print "m.group（1,2）:

", m.group（1, 2）  

17.print "m.groups（）:

", m.groups（）  

18.print "m.groupdict（）:

", m.groupdict（）  

19.print "m.start

（2）:

", m.start

（2）  

20.print "m.end

（2）:

", m.end

（2）  

21.print "m.span

（2）:

", m.span

（2）  

22.print r"m.expand（r'\g<2> \g<1>\g<3>'）:

", m.expand（r'\2 \1\3'）  

23.   

24.### output ###  

25.# m.string:

 hello world!

26.# m.re:

 <_sre.SRE_Pattern object at 0x016E1A38>  

27.# m.pos:

 0  

28.# m.endpos:

 12  

29.# m.lastindex:

 3  

30.# m.lastgroup:

 sign  

31.# m.group（1,2）:

 （'hello', 'world'）  

32.# m.groups（）:

 （'hello', 'world', '!

'）  

33.# m.groupdict（）:

 {'sign':

 '!

'}  

34.# m.start

（2）:

 6  

35.# m.end

（2）:

 11  

36.# m.span

（2）:

 （6, 11）  

37.# m.expand（r'\2 \1\3'）:

 world hello!

2.3.Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用pile（）进行构造，也就是pile（）返回的对象。

Pattern提供了几个可读属性用于获取表达式的相关信息：

1.pattern:

编译时用的表达式字符串。

2.flags:

编译时用的匹配模式。

数字形式。

3.groups:

表达式中分组的数量。

4.groupindex:

以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

可以用下面这个例子查看pattern的属性：

[python] viewplaincopy

1.# -*- coding:

 utf-8 -*-  

2.#一个简单的pattern实例  

3.  

4.import re  

5.p = pile（r'（\w+） （\w+）（?

P.*）', re.DOTALL）  

6.   

7.print "p.pattern:

", p.pattern  

8.print "p.flags:

", p.flags  

9.print "p.groups:

", p.groups  

10.print "p.groupindex:

", p.groupindex  

11.   

12.### output ###  

13.# p.pattern:

 （\w+） （\w+）（?

P.*）  

14.# p.flags:

 16  

15.# p.groups:

 3  

16.# p.groupindex:

 {'sign':

 3}  

下面重点介绍一下pattern的实例方法及其使用。

1.match

match（string[,pos[,endpos]]）|re.match（pattern,string[,flags]）：

这个方法将从string的pos下标处起尝试匹配pattern；

如果pattern结束时仍可匹配，则返回一个Match对象；

如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。

pos和endpos的默认值分别为0和len（string）；

re.match（）无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

注意：

这个方法并不是完全匹配。

当pattern结束时若string还有剩余字符，仍然视为成功。

想要完全匹配，可以在表达式末尾加上边界匹配符'$'。

下面来看一个Match的简单案例：

[python] viewplaincopy

1.# encoding:

 UTF-8  

2.import re  

3.   

4.# 将正则表达式编译成Pattern对象  

5.pattern = pile（r'hello'）  

6.   

7.# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None  

8.match = pattern.match（'hello world!

'）  

9.   

10.if match:

11.    # 使用Match获得分组信息  

12.    print match.group（）  

13.   

14.### 输出 ###  

15.# hello  

2.search

search（string[,pos[,endpos]]）|re.search（pattern,string[,flags]）:

这个方法用于查找字符串中可以匹配成功的子串。

从string的pos下标处起尝试匹配pattern，

如果pattern结束时仍可匹配，则返回一个Match对象；

若无法匹配，则将pos加1后重新尝试匹配；

直到pos=endpos时仍无法匹配则返回None。

pos和endpos的默认值分别为0和len（string））；

re.search（）无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

那么它和match有什么区别呢？

match（）函数只检测re是不是在string的开始位置匹配，

search（）会扫描整个string查找匹配，

match（）只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match（）就返回none

例如：

print（re.match（‘super’,‘superstition’）.span（））

会返回（0,5）

print（re.match（‘super’,‘insuperable’））

则返回None

search（）会扫描整个字符串并返回第一个成功的匹配

例如：

print（re.search（‘super’,‘superstition’）.span（））

返回（0,5）

print（re.search（‘super’,‘insuperable’）.span（））

返回（2,7）

看一个search的实例：

[python] viewplaincopy

1.# -*- coding:

 utf-8 -*-  

2.#一个简单的search实例  

3.  

4.import re  

5.   

6.# 将正则表达式编译成Pattern对象  

7.pattern = pile（r'world'）  

8.   

9.# 使用search（）查找匹配的子串，不存在能匹配的子串时将返回None  

10.# 这个例子中使用match（）无法成功匹配  

11.match = pattern.search（'hello world!

'）  

12.   

13.if match:

14.    # 使用Match获得分组信息  

15.    print match.group（）  

16.   

17.### 输出 ###  

18.# world  

3.split

split（string[,maxsplit]）|re.split（pattern,string[,maxsplit]）:

按照能够匹配的子串将string分割后返回列表。

maxsplit用于指定最大分割次数，不指定将全部分割。

[python] viewplaincopy

1.import re  

2.   

3.p = pile（r'\d+'）  

4.print p.split（'one1two2three3four4'）  

5.   

6.### output ###  

7.# ['one', 'two', 'three', 'four', '']  

4.findall

findall（string[,pos[,endpos]]）|re.findall（pattern,string[,flags]）:

搜索string，以列表形式返回全部能匹配的子串。

[python] viewplaincopy

1.import re  

2.   

3.p = pile（r'\d+'）  

4.print p.findall（'one1two2three3four4'）  

5.   

6.### output ###  

7.# ['1', '2', '3', '4']  

5.finditer

finditer（string[,pos[,endpos]]）|re.finditer（pattern,string[,flags]）:

搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

[html] viewplaincopy

1.import re  

2.   

3.p = pile（r'\d+'）  

4.for m in p.finditer（'one1two2three3four4'）:

5.    print m.group（）,  

6.   

7.### output ###  

8.# 1 2 3 4  

6.sub

sub（repl,string[,count]）|re.sub（pattern,repl,string[,count]）:

使用repl替换string中每一个匹配的子串后返回替换后的字符串。

当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。

当repl是一个方法时，这个方法应当只