Python 正则表达式

我们能够使用 urllib 向网页请求并获取其网页数据。

但是抓取信息数据量比较大，我们可能需要其中一小部分数据。对付刚才的难题，就需要正则表达式出马了。

正则表达式能帮助我们匹配过滤到我们需要的数据，但它学习起来非常枯燥无味。

你可能会说，我还没有开始想学习正则表达式，你就来打击我？

莫慌！

层层递进地学习，一步一个脚印地学习，很快就会学会了。

对于爬虫，我觉得学会最基本的符号就差不多了。

1.正则表达式

下面是一张关于正则表达式字符的图，图片资料来自CSDN。先把图中字符了解清楚，基本上算是入门。

正则表达式语法

2.re 模块

Python 自 1.5 版本起通过新增 re （Regular Expression 正则表达式）模块来提供对正则表达式的支持。

使用 re 模块先将正则表达式填充到 Pattern 对象中，再把 Pattern 对象作为参数使用 match 方法去匹配的字符串文本。

match 方法会返回一个 Match 对象，再通过 Match 对象会得到我们的信息并进行操作。

下面介绍几个 re 常用的函数。

2-1.compile 函数

compile 是把正则表达式的模式和标识转化成正则表达式对象，供 match() 和 search() 这两个函数使用。它的函数语法如下：

1	re.compile(pattern[, flags])

第一个参数是pattern，指的正则表达式。
第二个参数flags是匹配模式，是个可选参数。可以使用按位或’|’表示同时生效，也可以在正则表达式字符串中指定。匹配模式有以下几种：

flag	描述
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。

该方法返回的结果是一个 Pattern 对象。

2-2.match 函数

match() 函数只在字符串的开始位置尝试匹配正则表达式，也就是说只有在 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。它的函数语法如下：

1	re.match(pattern, string[, flags])

第一个参数：匹配的正则表达式
第二个参数：要被匹配的字符串
flags 是可选参数，跟 compile 用法相似
匹配成功 re.match 方法返回一个匹配的对象，否则返回None。要想获得匹配结果，既可以使用groups()函数获取一个包含所有字符串的元组（从 1 到所含的小组号），也可以使用group(组号)函数获取某个组号的字符串。

match 函数用法的示例代码：

import re

pattern = re.compile('Python')
text = 'Python python pythonn'
match = re.search(pattern, text)
if match:
    print(match.group())
else:
    print('没有匹配')

2-3.search 函数

search() 函数是扫描整个字符串来查找匹配，它返回结果是第一个成功匹配的字符串。

1	re.search(pattern, string[, flags])

参数用法以及返回结果跟match函数用法相同。

search 函数用法的示例代码：

import re

pattern = re.compile('Python')
text = 'welcome to Python world!'
match = re.search(pattern, text)
if match:
    print(match.group())
else:
    print('没有匹配')

2-4.findall 函数

findall 函数在字符串中搜索子串，并以列表形式返回全部能匹配的所有子串。

1	re.findall(pattern, string[, flags])

参数用法以及返回结果跟match函数用法相同。

findall 函数用法的示例代码：

import re

pattern = re.compile('\d+')
text = 'one1two2three3four4'
list = re.findall(pattern, text)
if list:
    print(list)
else:
    print('没有匹配')