Python正则表达式--Re库的基本使用
1 正则表达式（regular expression ,RE）
概念：正则表达式（通项公式）是用来简洁表达一组字符串的表达式。优势是简洁，一行胜千言。
应用：字符串匹配。
1.1 正则表达式的语法
正则表达式语法由字符和操作符组成。
表1：正则表达式的常用操作符
|
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 |
[ab]表示a、b，[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$表示abc且在一个字符串的结尾 |
|
( ) |
分组标记，内部只能使用| 操作符 |
(abc)表示abc，(abc|def)表示abc、def |
|
d |
数字，等价于[0‐9] |
|
|
w |
单词字符，等价于[A‐Za‐z0‐9_] |
|
正则表达式 对应字符串
P(Y|YT|YTH|YTHO)?N "PN"、"PYN"、"PYTN"、"PYTHN"、"PYTHON"
PYTHON+ "PYTHON"、"PYTHONN"、"PYTHONNN" …
PY[TH]ON "PYTON"、"PYHON"
PY[^TH]?ON "PYON"、"PYaON"、"PYbON"、"PYcON"…
PY{:3}N "PN"、"PYN"、"PYYN"、"PYYYN"
经典正则表达式实例
^[A-Za-z]+$ #由26个字母组成的字符串
^[A-Za-z0-9]+$ #由26个字母和数字组成的字符串
^-?d+$ #整数形式的字符串
^[0-9]*[1-9][0-9]*$ #正整数形式的字符串
[1-9]d{5} #中国境内邮政编码，6位
[u4e00-u9fa5] #匹配中文字符
d{3}‐d{8}|d{4}‐d{7} #国内电话号码，010-68913536
实例：匹配IP地址的正则表达式 IP地址字符串形式的正则表达式（IP地址分4段，每段0‐255）
d+.d+.d+.d+ 或d{1,3}.d{1,3}.d{1,3}.d{1,3}
精确写法0‐99： [1‐9]?d
100‐199: 1d{2}
200‐249: 2[0‐4]d
250‐255: 25[0‐5]
(([1‐9]?d|1d{2}|2[0‐4]d|25[0‐5]).){3}([1‐9]?d|1d{2}|2[0‐4]d|25[0‐5])
2 Re库的基本使用
Re库是Python的标准库，主要用于字符串匹配。
调用方式：import re
re库采用raw string类型表示正则表达式，表示为：r"text"
例如：r"[1‐9]d{5}"
r"d{3}‐d{8}|d{4}‐d{7}"
raw string是不包含对转义符再次转义的字符串。
2.1 Re库主要功能函数
表2：Re库主要功能函数
|
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 |
re.search(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
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
re.sub(pattern, repl, string, count=0, flags=0)
∙ 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
其他函数参数的含义基本相同，此处不再详细介绍。
2.2 Re库的两种用法
2.2.1 函数式用法：一次性操作
rst = re.search(r"[1‐9]d{5}", "BIT 100081")
2.2.2 面向对象用法：编译后的多次操作
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。
pat = re.compile(r"[1‐9]d{5}")
rst = pat.search("BIT 100081")
面向对象用法：编译后的多次操作
两种用法等价
2.3 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对象的属性和方法
|
属性 |
说明 |
方法 |
说明 |
|
.string |
待匹配的文本 |
.group(0) |
获得匹配后的字符串 |
|
.re |
匹配时使用的patter对象（正则表达式） |
.start() |
匹配字符串在原始字符串的开始位置 |
|
.pos |
正则表达式搜索文本的开始位置 |
.end() |
匹配字符串在原始字符串的结束位置 |
|
.endpos |
正则表达式搜索文本的结束位置 |
.span() |
返回(.start(), .end()) |
2.4 Re库的贪婪匹配和最小匹配
2.4.1 贪婪匹配
实例：
>>> match = re.search(r"PY.*N", "PYANBNCNDN")
>>> match.group(0)
"PYANBNCNDN"
Re库默认采用贪婪匹配，即输出匹配最长的子串。
2.4.2 最小匹配
实例：
>>> match = re.search(r"PY.*?N", "PYANBNCNDN")
>>> match.group(0)
"PYAN"
只要长度输出可能不同的，都可以通过在操作符后增加?变成最小匹配。
其他操作符还包括：*?、+?、??、{m,n}?
实例：淘宝商品比价定向爬虫
目标：获取淘宝搜索页面的信息，提取其中的商品名称和价格
理解：
淘宝的搜索接口
翻页的处理
步骤1：提交商品搜索请求，循环获取页面
步骤2：对于每个页面，提取商品名称和价格信息
步骤3：将信息输出到屏幕上
源代码如下所示：
import requests
import re
def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def parsePage(ilt, html):
try:
#以列表类型返回全部能匹配的子串
plt = re.findall(r""view_price":"[d.]*"",html)
#正则表达式的最小匹配
tlt = re.findall(r""raw_title":".*?"",html)
for i in range(len(plt)):
price = eval(plt[i].split(":")[1])
title = eval(tlt[i].split(":")[1])
ilt.append([price , title])
except:
print("出现异常")
def printGoodsList(ilt):
tplt = "{:4} {:8} {:16}"
print(tplt.format("序号", "价格", "商品名称"))
count = 0
for g in ilt:
count = count + 1
print(tplt.format(count, g[0], g[1]))
def main():
goods = "水杯"
depth = 3
start_url = "https://s.taobao.com/search?q=" + goods
infoList = []
for i in range(depth):
try:
url = start_url + "&s=" + str(44*i)
html = getHTMLText(url)
parsePage(infoList, html)
except:
continue
printGoodsList(infoList)
main()
输出结果如下图所示：
