Python爬虫学习（六）Re正则表示式库的入门

（六）Re(正则表达式)库入门

(1)基本定义

• 正则表达式 regular expression， regex， RE
• 正则表达式是用来简洁表达一组字符串的表达式
• 正则表达式是一种针对字符串表达“简洁”和“特征”的思想的工具
• 正则表达式可以用来判断某字符串的特征归属

(2)作用

• 表达文本类型的特征（病毒、入侵等）
• 同时查找或替换一组字符串
• 匹配字符串的全部或部分（最主要的应用）

(3)语法

• 正则表达式由字符和操作符构成

1.常用操作符

2.语法实例

3.经典实例

4.匹配IP地址的正则表达式

(4)Re库

1.Re库介绍

• Re库是Python的标准库，主要用于字符串匹配
• import re

2.表示类型

• raw string类型（原生字符串类型）
• string类型（更繁琐）
• 建议：当正则表达式包含转义符时，使用raw string

# r'text'格式
r'[1-9]\d{5}'
r'\d{3}-\d{8}|\d{4}-\d{7}

# string格式
r'[1-9]\\d{5}'
r'\\d{3}-\\d{8}|\\d{4}-\\d{7}

3.Re库主要功能函数

import re
#pattern : 正则表达式的字符串或原生字符串表达 
#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
#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  ///下附常用标记说明

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

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

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

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

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

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

#Re库的等价用法

#函数式用法：一次性操作
rst = 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')

#将正则表达式的字符串形式编译成正则表达式对象
regex = re.compile(pattern, flags=0)

4.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

1>Match对象的属性

2>Match对象的方法

3>Match对象实例

5.Re库的贪婪匹配和最小匹配

• 同时匹配长短不同的多项，返回哪一个？

1.贪婪匹配

• Re库默认采用贪婪匹配，即输出匹配最长的子串

2.最小匹配

• 如何输出最短的子串呢？
• 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