python爬虫之re正则表达式库

正则表达式是用来简洁表达一组字符串的表达式，

编译：将符合正则表达式语法的字符串转换成正则表达式特征

操作符  说明                            实例
.      表示任何单个字符
[ ]    字符集，对单个字符给出取值范围     [abc]表示a、b、c，[a‐z]表示a到z单个字符
[^ ]   非字符集，对单个字符给出排除范围   [^abc]表示非a或b或c的单个字符
*      前一个字符0次或无限次扩展          abc* 表示ab、abc、abcc、abccc等
+      前一个字符1次或无限次扩展          abc+ 表示abc、abcc、abccc等
?      前一个字符0次或1次扩展             abc? 表示ab、abc
|      左右表达式任意一个                abc|def 表示abc、def
{m}    扩展前一个字符m次                 ab{2}c表示abbc
{m,n}  扩展前一个字符m至n次（含n）        ab{1,2}c表示abc、abbc
^      匹配字符串开头                   ^abc表示abc且在一个字符串的开头
$      匹配字符串结尾                   abc$表示abc且在一个字符串的结尾
( )    分组标记，内部只能使用| 操作符     (abc)表示abc，(abc|def)表示abc、def
d     数字，等价于[0‐9]
w     单词字符，等价于[A‐Za‐z0‐9_]

正则表达式              对应字符串
P(Y|YT|YTH|YTHO)?N    "PN"、"PYN"、"PYTN"、"PYTHN"、"PYTHON"
PYTHON+               "PYTHON"、"PYTHONN"、"PYTHONNN" …
PY[TH]ON              "PYTON"、"PYHON"
PY[^TH]?ON            "PYON"、"PYaON"、"PYbON"、"PYcON"…
PY{:3}N               "PN"、"PYN"、"PYYN"、"PYYYN"…

re库的主要功能函数

re库是Python的标准库，主要用于字符串匹配
re库采用raw string类型表示正则表达式，表示为：r’text’，raw string是不包含对转义符再次转义的字符串。

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

re.match

match()函数从字符串的起始位置开始匹配。
如果匹配成功，则返回match对象；否则返回None。
可以用匹配对象的group()方法来显示成功匹配的对象。
语法：

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

• 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

>>> import re
>>> m = re.match("hello","helloworld")
>>> m.group()
"hello"

为了保险起见，可以这样写：

>>> import re
>>> m = re.match("hello","helloworld")
>>> if m is not None:  # if match:
    m.group()
"hello"

也可以充分利用Python的面向对象特性，间接省略中间结果：

>>> import re
>>> re.match("hello","helloworld").group()
"hello"

但match()函数从字符串的起始位置开始匹配，下面这种情况匹配不到初学者想要的结果：

>>> import re
>>> m = re.match(r"[1-9]d{5}", "BIT 100081")
>>> m.group
Traceback (most recent call last):
  File "<pyshell#16>", line 1, in <module>
    m.group
AttributeError: "NoneType" object has no attribute "group"

这可如何是好，且看下一节的search()函数。

re.search

语法：

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
参数：
- 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

re.search的常用标记

常用标记	说明
re.I re.IGNORECASE	忽略正则表达式的大小写，[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

>>> import re
>>> m = re.search(r"[1-9]d{5}", "BIT 100081")
>>> m.group
"100081"

re.findall()

findall()函数用来搜索字符串，以列表类型返回全部能匹配的子串。

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

输入参数：
- 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

>>> import re
>>> ls = re.findall(r"[1-9]d{5}", "BIT100081 TSU100084")
>>> ls
["100081", "100084"]

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。

语法：

re.split(pattern, string, maxsplit=0, flags=0)

输入参数：
- 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

>>> import re
>>> re.split(r"[1-9]d{5}", "BIT100081 TSU100084")
["BIT", " TSU", ""]
>>> re.split(r"[1-9]d{5}", "BIT100081 TSU100084", maxsplit=1)
["BIT", " TSU100084"]
>>> re.split(r"[1-9]d{5}", "BIT100081 TSU100084", maxsplit=2)
["BIT", " TSU", ""]
>>> re.split(r"[1-9]d{5}", "BIT100081 TSU100084", maxsplit=3)
["BIT", " TSU", ""]

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
语法：

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

• 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

>>> import re
>>> for m in re.finditer(r"[1-9]d{5}", "BIT100081 TSU100084"):
    if m:
        print(m.group(0))

100081
100084

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.
语法：

re.sub(pattern, repl, string, count=0, flags=0)

输入参数:
- 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

>>> import re
>>> re.sub(r"[1-9]d{5}", ":zipcode", "BIT100081 TSU100084")
"BIT:zipcode TSU:zipcode"

compile()

将正则表达式的字符串形式编译成正则表达式对象
语法：

regex = re.compile(pattern, flags=0)

输入参数：
- 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

re库的另一种等价用法

函数式用法：一次性操作

>>> m = re.search(r"[1-9]d{5}", "BIT 100081")

面向对象用法：编译后的多次操作

>>> regex = re.compile(r"[1-9]d{5}")
>>> rst = regex.search("BIT 100081")

re库的match对象

Match对象是一次匹配的结果，包含匹配的很多信息

match对象的属性

属性       说明
.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

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())

re库的贪婪匹配和最小匹配

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", "PYANBNCNDN")
>>> match.group(0)
"PYANBNCNDN"

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

参考

http://www.icourse163.org/course/BIT-1001870001
https://docs.python.org/3/library/re.html