个人学习笔记
视频网站: https://www.bilibili.com/video/av9784617?p=39
① 正则表达式1
图片源自:博客园某博主…
② Re库
一. 正则表达式的表示类型
- raw string类型(原生字符串类型)
re库采用raw string类型表达正则表达式, 表示为:
r'text'
例如:r'[1-9]\d{5}
raw string 是不包含转义符的字符串 - string类型
需要将特殊字符转义后使用
例如:'[1-9]\\d{5}'
'\\d{3}-\\d{8}|\\d{4}-\\d{7}'
二. Re库的主要功能函数
函数 | 说明 |
---|---|
re.search() | 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 |
re.match() | 从一个字符串的开始位置起匹配正则表达式, 返回match对象 |
re.findall() | 搜索字符串, 以列表类型返回全部能匹配的子串 |
re.split() | 将一个字符串按照正则表达式匹配结果进行分割, 返回列表类型 |
re.finditer() | 搜索字符串, 返回一个匹配结果的迭代类型, 每个迭代元素是match对象 |
re.sub() | 在一个字符串中替换所有匹配正则表达式的子串, 返回替换后的字符串 |
2.1 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
常用标记 | 说明 |
---|---|
re.I re.IGNORECASE | 忽略正则表达的大小写, [A-Z]能够匹配小写字符 |
re.M re.MULTILINE | 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始 |
re.S re.DOTALL | 正则表达式中的.操作符能够匹配所有字符, 默认匹配除换行外的所有字符 |
match, findall, finditer函数的参数与search的参数是一样的. 参考search的参数即可
2.2 re.split(pattern, string, maxsplit=0, flags=0)
- 将一个字符串按照正则表达式匹配结果进行分割, 返回列表类型.
- 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
- maxsplit: 最大分割数, 剩余部分作为最后一个元素输出
- flags: 正则表达式使用时的控制标记
2.3 re.sub(pattern, repl, string, count=0, flags=0)
- 在一个字符串中替换所有匹配正则表达式的子串, 返回替换后的字符串
- pattern: 正则表达式的字符串或原生字符串表示
- repl: 替换匹配字符串的字符串
- string: 待匹配字符串
- count: 匹配的最大替换次数
- flags: 正则表达式使用时的控制标记
2.4 Example
import re
# re.search: 在一个字符串中搜索匹配正则表达式的第一个位置
match = re.search(r'[1-9]\d{5}', 'BIT 100032 132103 12043')
if match:
print(match.group(0))
# 结果: 100032
print(match)
# 结果: <re.Match object; span=(4, 10), match='100032'>
# re.match: 从一个字符串的开始位置起匹配正则表达式
# 开始与正则表达式不匹配的话, 则为None
match = re.match(r'[1-9]\d{5}', '123042BIT 100032 132103 12043')
if match:
print(match.group(0))
# 结果: 123042
# re.findall: 搜索字符串, 以列表类型返回全不能匹配的子串
match = re.findall(r'[1-9]\d{5}', '123042BIT 100032 SUV132103 12043')
if match:
print(match)
# 结果: ['123042', '100032', '132103']
# re.split: 将一个字符串按照正则表达式匹配结果进行分割, 返回列表类型.
match = re.split(r'[1-9]\d{5}', '123042BIT 100032 SUV132103 120413')
if match:
print(match)
# 结果:['', 'BIT ', ' SUV', ' ', '']
# 结果分析: 123042符合,则字符串开头开始分割即'',
# 然后就是'BIT ', 100032符合,继续分割, ' SUV'
# 132103符合,分割' ', 120413符合,后面一个''(空字符串)
# maxsplit=1, 只匹配1个, 后面的字符串作为一个元素输出
match = re.split(r'[1-9]\d{5}', '123042BIT 100032 SUV132103 120413', maxsplit=1)
if match:
print(match)
# 结果: ['', 'BIT 100032 SUV132103 120413']
print(re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT102435 TSU104394'))
# 结果: BIT:zipcode TSU:zipcode
2.5 re.compile(pattern, flags=0)
- 将正则表达式的字符串形式编译成正则表达式对象
- pattern: 正则表达式的字符串或原生字符串表示
- flags: 正则表达式使用时的控制标记
函数式用法: 一次性操作:
rst = re.search(r'[1-9]\d{5}', 'BIS 102384')
等价于
面向对象用法: 编译后的多次操作:
pat = re.compile(r'[1-9]\d{5}')
rst = pat.search('BiS 102384')
三. Re库中的match对象
3.1 Match对象的属性
属性 | 说明 |
---|---|
.string | 待匹配的文本 |
.re | 匹配时使用的pattern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 |
3.2 Match对象的方法
方法 | 说明 |
---|---|
.group(0) | 获得匹配后的字符串 |
.start() | 匹配字符串在原始字符串的开始位置 |
.end() | 匹配字符串在原始字符串的结束位置 |
.span() | 返回(.start(), .end()) |
4. 贪婪匹配
Re库默认采用贪婪匹配, 即输出匹配最长的子串
match = re.search(r'PY.*N', 'PYKSJDFNN')
match.group(0)
# 结果: PYKSJDFNN
如何变成最小匹配
操作符 | 说明 |
---|---|
*? | 前一个字符0次或无限次扩展,最小匹配 |
+? | 前一个字符1次或无限次扩展, 最小匹配 |
?? | 前一个字符0次或1次扩展, 最小匹配 |
{m,n}? | 扩展前一个字符m至n次(含n), 最小匹配 |
[扩展]
Python爬虫实现淘宝商品价格爬取 - request+re
具体实现请看:【Python爬虫学习】七、淘宝商品价格爬取(成功爬取)
Convert curl syntax to Python, Ansible URI, Node.js, R, PHP, Strest, Go, Dart, JSON, Elixir, Rust