Python爬蟲學習 8 —— re庫的使用

  上一篇博客我們學習了正則表達式，python有一個re庫專門用於正則表達式匹配。

---

一、淺談Re庫

導入re庫：
Re庫是Python的標準庫(使用時不需要安裝額外的插件)，主要用於字符串匹配。
調用方式：import re

正則表達式的表示：
raw string：原生字符串類型
表示方法 ：r’text’
舉個栗子 ：r’[1-9]\d{5}’ （其中的 \ 不被當作轉義符處理）

raw string： 不包含轉義字符，不需要考慮需要多少個 \
string字符串： 使用起來更加繁瑣，因爲表示一個 \ 需要使用 \

---

二、re庫的主要函數

函數名與功能：

函數	說明
re.search()	在一個字符串中搜索匹配正則表達式的第一個位置， 返回match對象
re.match()	從一個字符串的開始位置起匹配正則表達式，返回match對象
re.findall()	搜索字符串，以列表類型返回全部能匹配的子串
re.split()	將一個字符串按照正則表達式匹配結果進行分割，返回列表類型
re.finditer()	搜索字符串，返回一個匹配結果的選代類型，每個迭代元素是match對象
re.sub()	在一個字符串中替換所有匹配正則表達式的子串，返回替換後的字符串

---

參數說明：

參數名	描述
pattern	正則表達式的字符串或原生字符串表示
string	待匹配字符串
flags	正則表達式使用的控制標記
maxsplit	split：最大分割數，剩餘部分作爲最後一個元素輸出
repl	sub：替換匹配字符串的字符串
count	sub：匹配的最大替換次數

flags	說明
re.I re,IGNORECASE	忽略正則表達式的大小寫，[A-Z]也可以匹配小寫字母
re.M re.NMULTILINE	正則表達式的^操作符可以將給定字符的每行當作匹配開始
re.S re.DOTALL	正則表達式中的 . 操作符能夠匹配所有字符，默認匹配處換行外的所有字符

---

函數使用語法：

1、re.search(pattern, string, flags=0)
注意：返回的match可能爲空，使用group前要先判斷

import re

match = re.search(r'[1-9]\d{5}', '342100')
if match:
	print(match.group(0))

2、re.match(pattern, string, flags=0)

match = re.match(r'[1-9]\d{5}', "342300 HNU")
if match:
	print(match.group(0))

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

mylist = re.findall(r'[1-9]\d{5}', "HNU496300 342300")
print(mylist)

4、re.split(pattern, string, maxsplit=0, flags=0)
比較設置了maxsplit參數和未設置的區別：

mylist = re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084')
print(mylist)
mylist = re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=1)
print(mylist)

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

for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'):
	if m:
		print(m.group(0))

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

s =re.sub(r'[1-9]\d{5}', ":zipcode", "BIT100081 TSU100084")
print(s)

---

三、面向對象使用re庫

re庫的兩種使用方法：
1、函數式用法：
  rst = re.search(r’[1-9]\d{5}’, ‘BIT 100084’)
2、面向對象用法：
  pat = re.compiler(r’[1-9]\d{5}’)
  rst = pat.search(‘BIT 10084’)
3、函數式用法實質：
  我們打開re庫，查看各個函數的定義，可以發現返回值是_compile().match()，也就是間接使用了面向對象用法。

def match(pattern, string, flags=0):
    """Try to apply the pattern at the start of the string, returning
    a Match object, or None if no match was found."""
    return _compile(pattern, flags).match(string)

compile函數：
語法：regex = re.compile(pattern, flags=0)
功能：將正則表達式的字符串形式編譯爲正則表達式對象
任何函數式的用法都剋採用面向對象的方法替代，如：

match = re.match(r'[1-9]\d{5}', "342300 HNU")
if match:
	print(match.group(0))

regex = re.compile(r'[1-9]\d{5}')
match = regex.match("342300 HNU")
if match:
	print(match.group(0))

---

四、match對象

match對象的屬性：

屬性	描述
.string	待匹配的字符串
.re	匹配時使用的pattern對象(正則表達式)
.pos	正則表達式搜索文本的開始位置
.endpos	正則表達式搜索文本的結束位置

match對象的方法：

方法	描述
.group(0)	獲得匹配後的字符串
.start()	返回匹配字符串在原始字符串的開始位置
.end()	返回匹配字符串在原始字符串的結束位置
.span()	返回(.start(), .end())

match對象使用：

import re
m = re.search(r'[1-9]\d{5}', "BIT100084 TSU100081")
print(m.string)
print(m.re)
print(m.pos)
print(m.endpos)
print(m.group(0))
print(m.span())

輸出：

BIT100084 TSU100081
re.compile('[1-9]\\d{5}')
0
19
100084
(3, 9)

---

第八篇python爬蟲學習筆記完結啦 cheers 🍻🍻