首頁 > 軟體

python網路爬蟲精解之正規表示式的使用說明

2021-09-27 13:03:28

一、常見的匹配規則

二、常見的匹配方法

1、match()

match()方法從字串的起始位置開始匹配,該方法有兩個引數,第一個是正規表示式,第二個是需要匹配的字串;

re.match(正規表示式,字串)

如果該方法匹配成功,返回的是SRE_Match物件,如果未匹配到,則返回None。

返回成功後有兩個方法,group()方法用來檢視匹配到的字串,span()方法用來輸出匹配的範圍。

import re
content = 'Hello_World,123 456'
result = re.match('^Hellow{6}Wdddsd{3}',content)
print(result)
print(result.group())
print(result.span())

【執行結果】

<re.Match object; span=(0, 19), match='Hello_World,123 456'>
Hello_World,123 456
(0, 19)

子字串匹配

在上述我們匹配到了完整的字串,但是實際需求中可能只需要其中的一部分,這時我們僅需要在要獲取的子字串匹配時加上括號即可。

import re
content = 'Hello_World,123 456'
result = re.match('^Hellow{6}W(d+)s(d{3})',content)
print(result)
print(result.group())
print(result.span())
print(result.group(1))
print(result.group(2))

【執行結果】

<re.Match object; span=(0, 19), match='Hello_World,123 456'>
Hello_World,123 456
(0, 19)
123
456

這樣通過加括號的形式,將字串中的數位匹配出來。

通用匹配符

.* 其中.用來匹配任意字元(除換行符),*代表前面出現的字元無限次。因此之前的匹配形式可以寫為:

import re
content = 'Hello_World,123 456'
result = re.match('^Hello.*456$',content)
print(result.group())

【執行結果】

Hello_World,123 456

貪婪匹配和非貪婪匹配

.*匹配是貪婪匹配

.*?是非貪婪匹配

二者的主要區別是,貪婪匹配儘可能多的去匹配字元,而非貪婪匹配是儘可能少的匹配字元。下列程式碼能夠更直觀的瞭解二者之間的區別

import re
content = 'number 12345678 test'
result_1 = re.match('^number.*(d+).*test$',content)
print('貪婪匹配得到的數位:' + result_1.group(1))
result_2 = re.match('^number.*?(d+).*test$',content)
print('非貪婪匹配得到的數位:' + result_2.group(1))

【執行結果】

貪婪匹配得到的數位:8
非貪婪匹配得到的數位:12345678

大家會有這樣一個疑問為什麼貪婪匹配得到的數位少,而非貪婪匹配得到的多,這與前面講的不太符合啊。

注意,在匹配的時候,貪婪匹配是儘可能多的去匹配字元,因此.*就匹配的是' 1234567‘,只留下8給d+匹配,非貪婪匹配是儘可能少的匹配字元,故.*?匹配的是' ',留下12345678給d+匹配,就會得到上述結果。

修飾符

修飾符 作用
re.I 忽略大小寫進行匹配
re.L 做在地化識別匹配
re.M 多行匹配,影響^和$
re.S 使.匹配包含換行符在內的所有字元
re.U 根據Unicode字元集解析字元
re.X 更加靈活的編寫正規表示式

跳脫匹配

匹配特殊字元時,在其前面加反斜線()完成跳脫匹配。

2、search()

在匹配時會掃描整個字串,然後返回第一個成功匹配的結果。如果將整個字串搜尋完了之後還是沒有匹配到,則返回None。

3、findall()

與search()不同的是,findall()方法是將返回所有符合正規表示式匹配的內容。返回結果是一個列表,列表中的每個元素都是元組型別。

4、sub()

修改文字內容,原理是對要修改的內容進行替換。

import re
temp = "abcdef123ghi456"
temp = re.sub("d+","",temp)
print(temp)

【執行結果】

abcdefghi

sub()中的引數分析,第一個引數是正規表示式匹配要更改的內容,第二個引數是使用該引數內容進行替換,第三個引數是要更改的字串。

5、compile()

將正則字串編譯成正規表示式物件,以便在後面的匹配中進行復用。

到此這篇關於python網路爬蟲精解之正規表示式的使用說明的文章就介紹到這了,更多相關python 正規表示式內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com!


IT145.com E-mail:sddin#qq.com