91超碰碰碰碰久久久久久综合_超碰av人澡人澡人澡人澡人掠_国产黄大片在线观看画质优化_txt小说免费全本

溫馨提示×

溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務條款》

Python2爬蟲中正則表達式的基礎知識有哪些

發布時間:2020-08-07 14:21:44 來源:億速云 閱讀:133 作者:小新 欄目:編程語言

這篇文章主要介紹Python2爬蟲中正則表達式的基礎知識有哪些,文中介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們一定要看完!

Python2爬蟲中正則表達式的基礎知識有哪些

在前面我們已經搞定了怎樣獲取頁面的內容,不過還差一步,這么多雜亂的代碼夾雜文字我們怎樣把它提取出來整理呢?下面就開始介紹一個十分強大的工具,正則表達式!

1.了解正則表達式

正則表達式是對字符串操作的一種邏輯公式,就是用事先定義好的一些特定字符、及這些特定字符的組合,組成一個“規則字符串”,這個“規則字符串”用來表達對字符串的一種過濾邏輯。

正則表達式是用來匹配字符串非常強大的工具,在其他編程語言中同樣有正則表達式的概念,Python同樣不例外,利用了正則表達式,我們想要從返回的頁面內容提取出我們想要的內容就易如反掌了。

正則表達式的大致匹配過程是:

1.依次拿出表達式和文本中的字符比較,

2.如果每一個字符都能匹配,則匹配成功;一旦有匹配不成功的字符則匹配失敗。

3.如果表達式中有量詞或邊界,這個過程會稍微有一些不同。

2.正則表達式的語法規則

下面是Python中正則表達式的一些匹配規則,圖片資料來自CSDN

Python2爬蟲中正則表達式的基礎知識有哪些

Python2爬蟲中正則表達式的基礎知識有哪些

3.正則表達式相關注解

(1)數量詞的貪婪模式與非貪婪模式

正則表達式通常用于在文本中查找匹配的字符串。Python里數量詞默認是貪婪的(在少數語言里也可能是默認非貪婪),總是嘗試匹配盡可能多的字符;非貪婪的則相反,總是嘗試匹配盡可能少的字符。例如:正則表達式”ab*”如果用于查找”abbbc”,將找到”abbb”。而如果使用非貪婪的數量詞”ab*?”,將找到”a”。

注:我們一般使用非貪婪模式來提取。

(2)反斜杠問題

與大多數編程語言相同,正則表達式里使用”\”作為轉義字符,這就可能造成反斜杠困擾。假如你需要匹配文本中的字符”\”,那么使用編程語言表示的正則表達式里將需要4個反斜杠”\\\\”:前兩個和后兩個分別用于在編程語言里轉義成反斜杠,轉換成兩個反斜杠后再在正則表達式里轉義成一個反斜杠。

Python里的原生字符串很好地解決了這個問題,這個例子中的正則表達式可以使用r”\\”表示。同樣,匹配一個數字的”\\d”可以寫成r”\d”。有了原生字符串,媽媽也不用擔心是不是漏寫了反斜杠,寫出來的表達式也更直觀勒。

4.Python Re模塊

Python 自帶了re模塊,它提供了對正則表達式的支持。主要用到的方法列舉如下:

#返回pattern對象
re.compile(string[,flag])  
#以下為匹配所用函數
re.match(pattern, string[, flags])
re.search(pattern, string[, flags])
re.split(pattern, string[, maxsplit])
re.findall(pattern, string[, flags])
re.finditer(pattern, string[, flags])
re.sub(pattern, repl, string[, count])
re.subn(pattern, repl, string[, count])

在介紹這幾個方法之前,我們先來介紹一下pattern的概念,pattern可以理解為一個匹配模式,那么我們怎么獲得這個匹配模式呢?很簡單,我們需要利用re.compile方法就可以。例如:

pattern = re.compile(r'hello')

在參數中我們傳入了原生字符串對象,通過compile方法編譯生成一個pattern對象,然后我們利用這個對象來進行進一步的匹配。

另外大家可能注意到了另一個參數 flags,在這里解釋一下這個參數的含義:

參數flag是匹配模式,取值可以使用按位或運算符’|’表示同時生效,比如re.I | re.M。

可選值有:

 ? re.I(全拼:IGNORECASE): 忽略大小寫(括號內是完整寫法,下同)。
 ? re.M(全拼:MULTILINE): 多行模式,改變'^'和'$'的行為(參見上圖)。
 ? re.S(全拼:DOTALL): 點任意匹配模式,改變'.'的行為。
 ? re.L(全拼:LOCALE): 使預定字符類 \w \W \b \B \s \S 取決于當前區域設定。
 ? re.U(全拼:UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性。
 ? re.X(全拼:VERBOSE): 詳細模式。這個模式下正則表達式可以是多行,忽略空白字符,并可以加入注釋。

在剛才所說的另外幾個方法例如 re.match 里我們就需要用到這個pattern了,下面我們一一介紹。

注:以下七個方法中的flags同樣是代表匹配模式的意思,如果在pattern生成時已經指明了flags,那么在下面的方法中就不需要傳入這個參數了。

(1)re.match(pattern, string[, flags])

這個方法將會從string(我們要匹配的字符串)的開頭開始,嘗試匹配pattern,一直向后匹配,如果遇到無法匹配的字符,立即返回None,如果匹配未結束已經到達string的末尾,也會返回None。兩個結果均表示匹配失敗,否則匹配pattern成功,同時匹配終止,不再對string向后匹配。下面我們通過一個例子理解一下:

__author__ = 'CQC'
# -*- coding: utf-8 -*-
#導入re模塊
import re
# 將正則表達式編譯成Pattern對象,注意hello前面的r的意思是“原生字符串”
pattern = re.compile(r'hello')
# 使用re.match匹配文本,獲得匹配結果,無法匹配時將返回None
result1 = re.match(pattern,'hello')
result2 = re.match(pattern,'helloo CQC!')
result3 = re.match(pattern,'helo CQC!')
result4 = re.match(pattern,'hello CQC!')
#如果1匹配成功
if result1:
    # 使用Match獲得分組信息
    print result1.group()
else:
    print '1匹配失敗!'
#如果2匹配成功
if result2:
    # 使用Match獲得分組信息
    print result2.group()
else:
    print '2匹配失敗!'
#如果3匹配成功
if result3:
    # 使用Match獲得分組信息
    print result3.group()
else:
    print '3匹配失敗!'
#如果4匹配成功
if result4:
    # 使用Match獲得分組信息
    print result4.group()
else:
    print '4匹配失敗!'

運行結果

hello
hello
3匹配失敗!
hello

匹配分析:

1.第一個匹配,pattern正則表達式為’hello’,我們匹配的目標字符串string也為hello,從頭至尾完全匹配,匹配成功。

2.第二個匹配,string為helloo CQC,從string頭開始匹配pattern完全可以匹配,pattern匹配結束,同時匹配終止,后面的o CQC不再匹配,返回匹配成功的信息。

3.第三個匹配,string為helo CQC,從string頭開始匹配pattern,發現到 ‘o’ 時無法完成匹配,匹配終止,返回None

4.第四個匹配,同第二個匹配原理,即使遇到了空格符也不會受影響。

我們還看到最后打印出了result.group(),這個是什么意思呢?下面我們說一下關于match對象的的屬性和方法

Match對象是一次匹配的結果,包含了很多關于此次匹配的信息,可以使用Match提供的可讀屬性或方法來獲取這些信息。

屬性:
1.string: 匹配時使用的文本。
2.re: 匹配時使用的Pattern對象。
3.pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
4.endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。
5.lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組,將為None。
6.lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組,將為None。
方法:
1.group([group1, …]):
獲得一個或多個分組截獲的字符串;指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名;編號0代表整個匹配
的子串;不填寫參數時,返回group(0);沒有截獲字符串的組返回None;截獲了多次的組返回最后一次截獲的子串。
2.groups([default]):
以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代,默認
為None。
3.groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典,沒有別名的組不包含在內。default含義同上。
4.start([group]):
返回指定的組截獲的子串在string中的起始索引(子串第一個字符的索引)。group默認值為0。
5.end([group]):
返回指定的組截獲的子串在string中的結束索引(子串最后一個字符的索引+1)。group默認值為0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
將匹配到的分組代入template中然后返回。template中可以使用\id或\g、\g引用分組,但不能使用編號0。\id與\g是等價的;但\10
將被認為是第10個分組,如果你想表達\1之后是字符’0’,只能使用\g0。

下面我們用一個例子來體會一下:

# -*- coding: utf-8 -*-
#一個簡單的match實例
import re
# 匹配如下內容:單詞+空格+單詞+任意字符
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
print "m.group():", m.group()
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'\g \g\g'):", m.expand(r'\2 \1\3')
 
### output ###
# m.string: hello world!
# m.re: 
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): ('hello', 'world')
# m.groups(): ('hello', 'world', '!')
# m.groupdict(): {'sign': '!'}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r'\2 \1\3'): world hello!

(2)re.search(pattern, string[, flags])

search方法與match方法極其類似,區別在于match()函數只檢測re是不是在string的開始位置匹配,search()會掃描整個string查找匹配,match()只有在0位置匹配成功的話才有返回,如果不是開始位置匹配成功的話,match()就返回None。同樣,search方法的返回對象同樣match()返回對象的方法和屬性。我們用一個例子感受一下:

#導入re模塊
import re
# 將正則表達式編譯成Pattern對象
pattern = re.compile(r'world')
# 使用search()查找匹配的子串,不存在能匹配的子串時將返回None
# 這個例子中使用match()無法成功匹配
match = re.search(pattern,'hello world!')
if match:
    # 使用Match獲得分組信息
    print match.group()
### 輸出 ###
# world

(3)re.split(pattern, string[, maxsplit])

按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數,不指定將全部分割。我們通過下面的例子感受一下。

import re
pattern = re.compile(r'\d+')
print re.split(pattern,'one1two2three3four4')
### 輸出 ###
# ['one', 'two', 'three', 'four', '']

(4)re.findall(pattern, string[, flags])

搜索string,以列表形式返回全部能匹配的子串。我們通過這個例子來感受一下

import re
pattern = re.compile(r'\d+')
print re.findall(pattern,'one1two2three3four4')
### 輸出 ###
# ['1', '2', '3', '4']

(5)re.finditer(pattern, string[, flags])

搜索string,返回一個順序訪問每一個匹配結果(Match對象)的迭代器。我們通過下面的例子來感受一下

import re
pattern = re.compile(r'\d+')
for m in re.finditer(pattern,'one1two2three3four4'):
    print m.group(),
### 輸出 ###
# 1 2 3 4

(6)re.sub(pattern, repl, string[, count])

使用repl替換string中每一個匹配的子串后返回替換后的字符串。

當repl是一個字符串時,可以使用\id或\g、\g引用分組,但不能使用編號0。

當repl是一個方法時,這個方法應當只接受一個參數(Match對象),并返回一個字符串用于替換(返回的字符串中不能再引用分組)。

count用于指定最多替換次數,不指定時全部替換。

import re
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print re.sub(pattern,r'\2 \1', s)
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
print re.sub(pattern,func, s)
### output ###
# say i, world hello!
# I Say, Hello World!

(7)re.subn(pattern, repl, string[, count])

返回 (sub(repl, string[, count]), 替換次數)。

import re
 
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!' 
print re.subn(pattern,r'\2 \1', s)
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title() 
print re.subn(pattern,func, s)
 
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

5.Python Re模塊的另一種使用方式

在上面我們介紹了7個工具方法,例如match,search等等,不過調用方式都是 re.match,re.search的方式,其實還有另外一種調用方式,可以通過pattern.match,pattern.search調用,這樣調用便不用將pattern作為第一個參數傳入了,大家想怎樣調用皆可。

函數API列表

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count])
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count])

具體的調用方法不必詳說了,原理都類似,只是參數的變化不同。小伙伴們嘗試一下吧~

以上是Python2爬蟲中正則表達式的基礎知識有哪些的所有內容,感謝各位的閱讀!希望分享的內容對大家有幫助,更多相關知識,歡迎關注億速云行業資訊頻道!

向AI問一下細節

免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。

AI

鄱阳县| 廉江市| 安庆市| 淮滨县| 文登市| 郸城县| 定南县| 新乐市| 柏乡县| 云龙县| 平原县| 闽清县| 兴仁县| 蛟河市| 绵阳市| 天祝| 怀来县| 凤翔县| 咸丰县| 皋兰县| 芦溪县| 博客| 江阴市| 分宜县| 长乐市| 安仁县| 深圳市| 兴宁市| 新干县| 阿鲁科尔沁旗| 丽水市| 鸡东县| 玛纳斯县| 皋兰县| 米脂县| 茌平县| 葫芦岛市| 通州区| 潼关县| 石楼县| 遵义市|