Python爬虫--- 1.4 正则表达式：re库

一只懒虫

2019-06-29

关注关注

原文链接：https://www.fkomm.cn/article/...

想要学习爬虫，正则表达式是一定绕不过去的一关。正则表达式是我们在筛选文本数据是经常使用的利器。简单来说，一个正则表达式表达了符合这一规则的一系列的文本。

从“通配符”到正则表达式

玩linux的同学在bash里一定经常用下面这一段代码：

$ rm -rf /*.txt·

这里其实就是一个非常简单的删除当前目录下所有txt文件的命令， *号其实就一个 ‘通配符’。表示任何形式的数据。从这里我们就可以引出正则表达式的概念：

正则表达式是用来简洁表达一组字符串的表达式,或者你可以将它理解为高级版的通配符表达式

举个例子：

import re

test = 'python is the best language , pretty good !'

p = re.findall('p+',test)

print(p)

'''
OUT:
['p', 'p']
'''

正则表达式的语法：

来一套言简意赅的图：

来几个正则表达式的栗子：

Python爬虫--- 1.4 正则表达式：re库

常用的正则表达实例：

**注意一下：
$ 表示结束匹配**

Python爬虫--- 1.4 正则表达式：re库

Python的re库的基本使用

re库是Python内置的标准库，所以我们不用安装，直接import re就能直接使用。

re库有着非常强大的功能！学好re库对我们爬虫的编写有极大的帮助！

# re库 采用了 raw string 类型来表示正则表达式，

# 例如：

re1 = r'[1-9]\d{5}'

# 这里的正则表示1一个1~9的数字和5个0~9的数字

# 如：1000 就符合re标准

使用raw string 的好处是我们不用手动去再次写转义字符了。如果不用raw string 类型，上面的正则表达式我们就得这么写：

re1 = '[1-9]\\d{5}'

re库的主要功能函数：

我们着重讲一下 re.search这个函数：

'''
re.search(pattern, string, flags=0) 
在一个字符串中搜索匹配正则表达式的第一个位置
返回match对象
∙ pattern : 正则表达式的字符串或原生字符串表示 
∙ string : 待匹配字符串
∙ flags : 正则表达式使用时的控制标记
''' 
str1 = 'hello , world ,life is short ,use Python .WHAT? '
    
a = re.search(r'\w+',str1)
print(a.group())    #  hello

可以看到我们成功找到了第一个字符串 “hello”。

常用的第三个参数 flags：

re.IGNORECASE：忽略大小写，同 re.I。

re.MULTILINE：多行模式，改变

和$的行为，同
re.M。

re.DOTALL：点任意匹配模式，让’.’可以匹配包括’\n’在内的任字符，同 re.S。

我们来使用一下控制标记试试：

str1 = 'hello , world ,life is short ,use 
b = re.search(r'w.+D',str1,re.I)
print(b.group())
#  world

可以看到r'w.+D' 成功匹配到了world。

我们再来说另一个常用函数re.findall()

'''
re.findall(pattern, string, flags=0) 
搜索字符串，以列表类型返回全部能匹配的子串
∙ pattern : 正则表达式的字符串或原生字符串表示 
∙ string : 待匹配字符串
∙ flags : 正则表达式使用时的控制标记
'''

c = re.findall(r'\w+',str1)
print (c)
#['hello', 'world', 'life', 'is', 'short', 'use', 'Python', 'WHAT']

可以看到，我们找整个字符串中的所有单词，并且以列表类型反回了。

好了，剩下的函数用法基本和上面相似，都很简单的。用的时候稍微看一下参数就可以。我就不一一介绍了。

re库的另一种用法

在前面的例子中，我们都是在调用方法是传入一个原生字符串来表示re表达式，但是在多次搜索符合同一规则的数据时，这样做就会使得效率大大降低。相对应的我们有替代的做法。

str2 = 'hssso'
re1 = re.compile(r'h.{3}o')
print(re1.findall(str1))
print(re1.findall(str2))
# ['hello']
# ['hssso']

这样，先把正则进行编译，在进行查找，就能大量节省时间，增加效率。

关于Match 对象：

match对象是一次匹配的结果，他包含了很多的信息：

'''
match 对象的属性
    
.string : 待匹配的文本 
.re     : 匹配时使用的patter对象(正则表达式)
.pos    : 正则表达式搜索文本的开始位置
.endpos : 正则表达式搜索文本的结束位置   
'''
d = re.search(r'e.+d',str1)
print(d.group()) # ello , world
print (d.string) # hello , world ,life is short ,use Python .WHAT?
print (d.re) # re.compile('e.+d')
print (d.pos) # 0
print (d.endpos) # 48

好了，关于re库，我们暂时就先介绍到这里，

只是介绍了一些浅显的用法，re库还有很多更加高级的用法，

我会在以后的实战里慢慢展现。

说到实战，写简单爬虫的基础咱们已经都掌握了。