python网络爬虫精解之正则表达式的使用说明

一、常见的匹配规则

二、常见的匹配方法

1、match（）

match（）方法从字符串的起始位置开始匹配，该方法有两个参数，第一个是正则表达式，第二个是需要匹配的字符串；

re.match(正则表达式，字符串)

如果该方法匹配成功，返回的是SRE_Match对象，如果未匹配到，则返回None。

返回成功后有两个方法，group（）方法用来查看匹配到的字符串，span（）方法用来输出匹配的范围。

import re
content = 'Hello_World,123 456'
result = re.match('^Hello\w{6}\W\d\d\d\s\d{3}',content)
print(result)
print(result.group())
print(result.span())

【运行结果】

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

子字符串匹配

在上述我们匹配到了完整的字符串，但是实际需求中可能只需要其中的一部分，这时我们仅需要在要获取的子字符串匹配时加上括号即可。

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

【运行结果】

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

这样通过加括号的形式，将字符串中的数字匹配出来。

通用匹配符

.* 其中.用来匹配任意字符（除换行符），*代表前面出现的字符无限次。因此之前的匹配形式可以写为：

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

【运行结果】

Hello_World,123 456

贪婪匹配和非贪婪匹配

.*匹配是贪婪匹配

.*?是非贪婪匹配

二者的主要区别是，贪婪匹配尽可能多的去匹配字符，而非贪婪匹配是尽可能少的匹配字符。下列代码能够更直观的了解二者之间的区别

import re
content = 'number 12345678 test'
result_1 = re.match('^number.*(\d+).*test$',content)
print('贪婪匹配得到的数字：' + result_1.group(1))
result_2 = re.match('^number.*?(\d+).*test$',content)
print('非贪婪匹配得到的数字：' + result_2.group(1))

【运行结果】

贪婪匹配得到的数字：8
非贪婪匹配得到的数字：12345678

大家会有这样一个疑问为什么贪婪匹配得到的数字少，而非贪婪匹配得到的多，这与前面讲的不太符合啊。

注意，在匹配的时候，贪婪匹配是尽可能多的去匹配字符，因此.*就匹配的是' 1234567‘，只留下8给\d+匹配，非贪婪匹配是尽可能少的匹配字符，故.*?匹配的是' '，留下12345678给\d+匹配，就会得到上述结果。

修饰符

转义匹配

匹配特殊字符时，在其前面加反斜线（\）完成转义匹配。

2、search（）

在匹配时会扫描整个字符串，然后返回第一个成功匹配的结果。如果将整个字符串搜索完了之后还是没有匹配到，则返回None。

3、findall（）

与search（）不同的是，findall（）方法是将返回所有符合正则表达式匹配的内容。返回结果是一个列表，列表中的每个元素都是元组类型。

4、sub（）

修改文本内容，原理是对要修改的内容进行替换。

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

【运行结果】

abcdefghi

sub（）中的参数分析，第一个参数是正则表达式匹配要更改的内容，第二个参数是使用该参数内容进行替换，第三个参数是要更改的字符串。

5、compile（）

将正则字符串编译成正则表达式对象，以便在后面的匹配中进行复用。

来源：https://blog.csdn.net/gets_s/article/details/120090795