python爬虫精选03集(re正则解析模块深入浅出)
追梦是需要激情和理想,圆梦是需要奋斗和奉献
一.正则表达式(基本简介)
-
目的
1.处理文本数据
2.对文本内容的搜索,定位,提取是逻辑比较复杂的工作
3.为了快速方便的解决上述问题,产生了正则表达式技术 -
正则定义
即文本的高级匹配模式,其本质是由一系列字符和特殊符号构成的字串,这个字串即正则表达式。 -
原理
通过普通字符和有特定含义的字符,来组成字符串,用以描述一定的字符串规则,比如:重复,位置等,来表达某类特定的字符串,进而匹配。 -
目标
- 熟练掌握正则表达式元字符
- 能够读懂常用正则表达式,编辑简单的正则规则
- 能够熟练使用re模块操作正则表达式
re模块官方文档
:
https://docs.python.org/zh-cn/3.8/library/re.htmlre模块库源码
:
https://github.com/python/cpython/blob/3.8/Lib/re.py
二. 元字符使用:
以下案例若需要在python或pycharm中执行需要引入re模块
模板示例:
import re
print(re.findall('ab',"abcdefabcd"))
# ['ab', 'ab']
2.1 普通字符:
匹配规则:每个普通字符匹配其对应的字符
例子:re.findall('ab',"abcdefabcd")
# ['ab', 'ab']
注意事项:正则表达式在python中也可以匹配中文
2.2 元字符:| (或关系)
匹配规则:匹配 | 两侧任意的正则表达式即可
例子:re.findall('com|cn',"www.baidu.com/www.jingdong.cn")
#['com', 'cn']
2.3 元字符:. (匹配单个元字符)
匹配规则:匹配除换行外的任意一个字符
例子:re.findall('钱天.',"钱天二,钱天三,钱天四")
# ['钱天二', '钱天三', '钱天四']
2.4 元字符: [字符集]
匹配规则: 匹配字符集中的任意一个字符
表达形式:
[abc#!好] 表示 [] 中的任意一个字符
[0-9],[a-z],[A-Z] 表示区间内的任意一个字符
[_#?0-9a-z] 混合书写,一般区间表达写在后面
例子:re.findall('[aeiou]',"How are you!")
# ['o', 'a', 'e', 'o', 'u']
2.5 元字符:[^字符集] (匹配反字符集)
匹配规则:匹配除了字符集以外的任意一个字符
例子:re.findall('[^0-9]',"Use 007 port")
#['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']
2.6 元字符:^ \A
匹配规则:匹配字符串开始位置
例子:re.findall('^Jame',"Jame,hello")
#['Jame']
2.7 元字符:$ \Z
匹配规则:匹配目标字符串的结尾位置
例子:re.findall('Jame$',"Hi,Jame")
#['Jame']
规则技巧: ^ 和 $必然出现在正则表达式的开头和结尾处。如果两者同时出现,则中间的部分必须匹配整个目标字符串的全部内容。
2.8 元字符:*
匹配规则:匹配前面的字符出现0次或多次
例子:re.findall('ha*',"haaaaaa~~~~h!")
#['haaaaaa', 'h']
2.9 元字符:+
匹配规则:匹配前面的字符出现1次或多次
例子:re.findall('[A-Z][a-z]+',"Hello World")
#['Hello', 'World']
2.10 元字符:?
匹配规则:匹配前面的字符出现0次或1次
例子:匹配手机号 re.findall('-?[0-9]+',"Jame,age:18, -26")
#['18', '-26']
2.11 元字符:{n}
匹配规则:匹配前面的字符出现n次
例子:re.findall('1[0-9]{10}',"Jame:13886495728")
#['13886495728']
2.12 元字符:{m,n}
匹配规则: 匹配前面的字符出现m-n次
例子:匹配QQ号 re.findall('[1-9][0-9]{5,10}',"QQ:1259296994")
#['1259296994']
2.13 元字符:\d \D
匹配规则:\d 匹配任意数字字符,\D 匹配任意非数字字符
例子:匹配端口 re.findall('\d{1,5}',"Mysql: 3306, http:80")
#['3306', '80']
2.14 元字符:\w \W
匹配规则:\w 匹配普通字符,\W 匹配非普通字符
说明: 普通字符指数字,字母,下划线,汉字。
例子: re.findall('\w+',"server_port = 8888")
#['server_port', '8888']
2.15 元字符:\s \S
匹配规则:\s 匹配空字符,\S 匹配非空字符
说明:空字符指 空格 \r \n \t \v \f 字符
例子: re.findall('\w+\s+\w+',"hello world")
#['hello world']
2.16 元字符:\s \S
匹配规则:\s 匹配空字符,\S 匹配非空字符
说明:空字符指 空格 \r \n \t \v \f 字符
例子: re.findall('\w+\s+\w+',"hello world")
#['hello world']
2.17 元字符:\b \B
匹配规则:\b 表示单词边界,\B 表示非单词边界
说明:单词边界指数字字母(汉字)下划线与其他字符的交界位置。
例子:re.findall(r'\bis\b',"This is a test.")
#['is']
注意: 当元字符符号与Python字符串中转义字符冲突的情况则需要使用r将正则表达式字符串声明为原始字符串,如果不确定那些是Python字符串的转义字符,则可以在所有正则表达式前加r。
三.匹配规则
3.1特殊字符匹配
-
目的 : 如果匹配的目标字符串中包含正则表达式特殊字符,则在表达式中元字符就想表示其本身含义时就需要进行 \ 处理。
特殊字符: . * + ? ^ $ [] () {} | \
-
操作方法:在正则表达式元字符前加 \ 则元字符就是去其特殊含义,就表示字符本身
e.g. 匹配特殊字符 . 时使用 \. 表示本身含义
In : re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")
Out: ['123', '-123', '1.23', '-1.23']
3.2贪婪模式和非贪婪模式
- 定义
贪婪模式: 默认情况下,匹配重复的元字符总是尽可能多的向后匹配内容。比如: * + ? {m,n}
非贪婪模式(懒惰模式): 让匹配重复的元字符尽可能少的向后匹配内容。
- 贪婪模式转换为非贪婪模式
- 贪婪模式【匹配重复】默认最大值
- 非贪婪模式最小值,在【匹配重复】后加?
在对应的匹配重复的元字符后加 ‘?’ 号即可
* -> *?
+ -> +?
? -> ??
{
m,n} -> {
m,n}?
e.g.
In : re.findall(r'\(.+?\)',"(abcd)efgh(higk)")
Out: ['(abcd)', '(higk)']
Demo
import re
# 贪婪匹配 ['《java入门到放弃》,派神:《python入门到放弃》,前端:《Html直接放弃,are you ok》']
print(re.findall('《.+》', "抓娃:《java入门到放弃》,派神:《python入门到放弃》,前端:《Html直接放弃,are you ok》"))
# 非贪婪匹配 ['《java入门到放弃》', '《python入门到放弃》', '《Html直接放弃,are you ok》']
print(re.findall('《.+?》', "抓娃:《java入门到放弃》,派神:《python入门到放弃》,前端:《Html直接放弃,are you ok》"))
3.3 正则表达式分组
-
定义:
在正则表达式中,以()建立正则表达式的内部分组,子组是正则表达式的一部分,可以作为内部整体操作对象。
-
作用:
(1)可以别作为整体操作,改变元字符的操作对象。
#(1)改变 +号 重复的对象
re.search(r'(ab)+',"ababababab").group()
#'ababababab'
#(2)改变 |号 操作对象
re.search(r'(王|李)\w{1,3}',"王者荣耀").group()
#'王者荣耀'
(2)可以通过编程语言某些借口获取陪陪内容中子组对应的内容部分
#获取url协议类型
re.search(r'(https|http|ftp|file)://\S+',"https://www.baidu.com").group(1)
- 捕获组:
可以给正则表达式的子组起一个名字,表达该子组的意义。这种有名称的子组即为捕获组
格式:"(?Ppattern)"
#给子组命名为 "pig"
re.search(r'(?P<pig>ab)+',"ababababab").group('pig')
#'ab'
注意事项
- 一个正则表达式中可以包含多个子组
- 子组可以嵌套,但是不要重叠或者嵌套结构复杂
- 子组序列号一般从外到内,从左到右计数
四.总结
4.1 正则表达式原则
-
正确性,能够正确的匹配出目标字符串。
-
排他性,除了目标字符串意外尽可能少的匹配其他内容。
-
全面性,尽可能考虑到目标字符串的所有情况,不遗漏。
4.2普通字符集的替换
4.3计数符
4.4巩固提升
- 如果使用正则表达式匹配特殊字符则需要加 \ 表示转义。
- 特殊字符: . * + ? ^ $ [] () {} | \
- 匹配特殊字符 . 时使用 . 表示本身含义
例子1:
import re
print(re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23"))
#['123', '-123', '1.23', '-1.23']
例子2:
import re
s="1992年5月2日出生于中国,中国内地影视女演员-12,12.34,1/0,40%,-1.6"
r=re.findall('-?\d+\.?/?\d*%?',s)
print(r)
#['1992', '5', '2', '-12', '12.34', '1/0', '40%', '-1.6']
2 . 在编程语言中,常使用原生字符串书写正则表达式避免多重转义的麻烦。
python字符串 --> 正则 --> 目标字符串
"\\$\\d+" 解析为 \$\d+ 匹配 "$100"
"\\$\\d+" 等同于 r"\$\d+"