Python爬蟲基礎-5（正則表達式）

正則表達式基礎

Python支持的正則表達式元字符和語法：

語法

語法	說明	表達式實例	完整匹配的字符串
	字符
一般字符	匹配自身	abc	abc
.	匹配除換行符”\n”之外的任意字符	a.c	abc
\	轉義字符，使後一個字符改變原來的意思	a\\c	a\c
[…]	1、字符集。對應的位置可以是字符集中的任意字符。	a[bcd]e	abe
	2、字符集中的字符可以逐個列出，也可以給出範圍，如[abc]或[a-c]。		ace
	3、第一個字符如果是^表示取反，如[^abc]表示不是abc的其他字符。		ade
	4、所有特殊字符在字符集中都失去原有的特殊含義
	5、在字符集中如果使用]、-、^時，可以在前面加上反斜槓
	或把 ]、-放在第一個字符，把^放在非第一個字符
	預定義字符集（可寫在字符集[…]中）
\d	數字：[0-9]	a\dc	a1c
\D	非數字：[^\d]	a\Dc	abc
\s	空白字符：[<空格>\t\r\n\f\v]	a\sc	a c
\S	非空白字符：[^\s]	a\Sc	abc
\w	單詞字符：[A-Za-Z0-9_]	a\wc	a_c
\W	非單詞字符：[^\w]	a\Wc	a c
	數量詞（用在字符或(…)之後）
*	匹配前一個字符0次或無限次	abc*	ab or abccc
+	匹配前一個字符1次或無限次	abc+	abc or abccc
?	匹配前一個字符0次或1次	abc?	ab or abc
{m}	匹配前一個字符m次	a{3}bc	aaabc
{m,n}	匹配前一個字符m至n次.省略m即{,n},匹配0到n次,省略n即{m,},匹配m到無限次	a{1,2}bc	abc or aabc
*? +? ?? {m,n}?	使*、+、?、{m,n}變成非貪婪模式
	邊界匹配（不消耗待匹配字符串中的字符）
^	匹配字符串的開頭，在多行模式中匹配每一行的開頭	^abc	abc
$	匹配字符串的末尾，在多行模式中匹配每一行的末尾	$abc	abc
\A	僅匹配字符串開頭	\Aabc	abc
\Z	僅匹配字符串末尾	abc\Z	abc
\b	匹配\w和\W之間,即單詞字符和非單詞字符之間,例如單詞和空格間的位置	a\b!bc	a!bc
\B	[^\b]	a\Bbc	abc
	邏輯、分組
\|	\|代表左右表達式任意匹配一個。先嚐試匹配左邊的表達式，成功則跳過匹配。	abc\|def	abc
	如果\|沒有被包含在()中,則它的範圍是整個正則表達式		def
(…)	1、被括起來的表達式將作爲分組，從表達式左邊開始每遇到一個	(abc){2}	abcabc
	分組的左括號’(‘，編號+1。	a(123\|456)c	a123c
	2、分組作爲一個整體，可以後接數量詞。
	3、表達式中的\|僅在該分組中有效
(?P< name>…)	分組，除了原有的編號外再指定一個額外的別名	(?P< id>abc){2}	abcabc
\< number>	引用編號爲< number>的分組匹配到的字符串	(\d)abc\1	1abc1 or 7abc7
(?P=name)	引用別名爲< name>的分組匹配到的字符串	(?P< id>\d)abc(?P=id)	1abc1 or 7abc7
	特殊構造（不作爲分組）
(?:…)	(…)的不分組版本，用於使用\|或後接數量詞	(?:abc){2}	abcabc
(?:iLmsux)	iLmsux的每個字符代表一個匹配模式，只能用在正則表達式的開頭	(?i)abc	AbC
	可選多個
(?#…)	後的內容將作爲註釋被忽略	abc(?#comment)123	abc123
(?=…)	之後的字符串內容需要匹配表達式才能成功匹配,不消耗字符串內容	a(?=\d)	後面是數字的a
(?!…)	之後的字符串內容需要不匹配表達式才能成功匹配,不消耗字符串內容	a(?!\d)	後面不是數字的a
(?<=…)	之前的字符串內容需要匹配表達式才能成功匹配,不消耗字符串內容	(?<=\d)a	前面是數字的a
(?	之前的字符串內容需要不匹配表達式才能成功匹配,不消耗字符串內容	(?	前面不是數字的a
(?(id/name)yes-pattern\|no-pattern)	如果編號爲id或者別名爲name的分組匹配到字符，則需要匹配yes-pattern，	(\d)abc(?(1)\d\|abc)	1abc2
	否則需要匹配no-pattern。no-pattern可以省略。		abcabc

數量詞的貪婪與非貪婪模式

貪婪模式總是嘗試匹配儘可能多的字符，非貪婪模式總是嘗試匹配盡肯能少的字符，在Python中，數量詞默認是貪婪的。
如：”ab*”用於查找abbbc，將找到abbb，”ab*?”將找到a。

re模塊

python通過re模塊支持正則表達式
使用re一般步驟爲：

1.先將正則表達式的字符串形式編譯爲Pattern實例
2.然後使用Pattern實例處理文本並獲取匹配的結果（一個Match實例）
3.最後使用Match實例獲得信息，進行其他的操作

# -*- coding: utf-8 -*-
#一個簡單的re實例，匹配字符串中的hello字符串  

import re #導入re模塊 

# 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Pattern匹配文本，獲得匹配結果，無法匹配時將返回None 
match1 = pattern.match('hello world!') 
match2 = pattern.match('helloo world!') 
match3 = pattern.match('helllo world!')  

#如果match1匹配成功  
if match1:
    # 使用Match獲得分組信息  
    print match1.group()  
else:  
    print 'match1匹配失敗！'  

#如果match2匹配成功  
if match2:  
    # 使用Match獲得分組信息  
    print match2.group()  
else:  
    print 'match2匹配失敗！'  

#如果match3匹配成功  
if match3:  
    # 使用Match獲得分組信息  
    print match3.group()  
else:  
    print 'match3匹配失敗！'

compile

re.compile(strPattern[, flag]):
這個方法是Pattern類的工廠方法，用於將字符串形式的正則表達式編譯爲Pattern對象。第二個參數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。另外，也可以在regex字符串中指定模式，比如re.compile(‘pattern’, re.I | re.M)與re.compile(‘(?im)pattern’)是等價的。
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’$’的行爲（參見上表）
re.S(全拼：DOTALL): 點任意匹配模式，改變’.’的行爲
re.L(全拼：LOCALE): 使預定字符類 \w \W \b \B \s \S 取決於當前區域設定
re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決於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，並可以加入註釋。

以下兩個正則表達式是等價的：

# -*- coding: utf-8 -*-  
#兩個等價的re匹配,匹配一個小數  
import re  

a = re.compile(r"""\d +  # the integral part 
                   \.    # the decimal point 
                   \d *  # some fractional digits""", re.X)  

b = re.compile(r"\d+\.\d*")

re模塊還提供了一個方法escape(string)，用於將string中的正則表達式元字符如*/+/?等之前加上轉義符再返回

Match

Match對象是一次匹配的結果，包含了很多關於此次匹配的信息，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: 最後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，將爲None。
6.lastgroup: 最後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，將爲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後一次截獲的子串。
2.groups([default])：以元組形式返回全部分組截獲的字符串。相當於調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認爲None。
3.groupdict([default])：返回已有別名的組的別名爲鍵、以該組截獲的子串爲值的字典，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默認值爲0。
5.end([group])：返回指定的組截獲的子串在string中的結束索引（子串最後一個字符的索引+1）。group默認值爲0。
6.span([group])：返回(start(group), end(group))。
7.expand(template)：將匹配到的分組代入template中然後返回。template中可以使用\id或\g< id>、\g< name>引用分組，但不能使用編號0。\id與\g< id>是等價的；但\10將被認爲是第10個分組，如果你想表達\1之後是字符’0’，只能使用\g<1>0。

# -*- 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<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')  

### output ###  
# m.string: hello world!  
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>  
# 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!

Pattern

Pattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找。Pattern不能直接實例化，必須使用re.compile()進行構造，也就是re.compile()返回的對象。Pattern提供了幾個可讀屬性用於獲取表達式的相關信息：

1.pattern: 編譯時用的表達式字符串。
2.flags: 編譯時用的匹配模式。數字形式。
3.groups: 表達式中分組的數量。
4.groupindex: 以表達式中有別名的組的別名爲鍵、以該組對應的編號爲值的字典，沒有別名的組不包含在內。

# -*- coding: utf-8 -*-  
#一個簡單的pattern實例  

import re  
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)  

print "p.pattern:", p.pattern  
print "p.flags:", p.flags  
print "p.groups:", p.groups  
print "p.groupindex:", p.groupindex  

### output ###  
# p.pattern: (\w+) (\w+)(?P<sign>.*)  
# p.flags: 16  
# p.groups: 3  
# p.groupindex: {'sign': 3}

pattern的實例方法及其使用：

match

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])：

這個方法將從string的pos下標處起嘗試匹配pattern,如果pattern結束時仍可匹配，則返回一個Match對象；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。

pos和endpos的默認值分別爲0和len(string)；

注意：這個方法並不是完全匹配。當pattern結束時若string還有剩餘字符，仍然視爲成功。想要完全匹配，可以在表達式末尾加上邊界匹配符’$’。

# encoding: UTF-8  
import re  

# 將正則表達式編譯成Pattern對象  
pattern = re.compile(r'hello')  

# 使用Pattern匹配文本，獲得匹配結果，無法匹配時將返回None  
match = pattern.match('hello world!')  

if match:  
    # 使用Match獲得分組信息  
    print match.group()  

### 輸出 ###  
# hello

search

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):

這個方法用於查找字符串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match對象；若無法匹配，則將pos加1後重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。pos和endpos的默認值分別爲0和len(string))。

和match的區別:

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位置匹配成功的話纔有返回，如果不是開始位置匹配成功的話，match()就返回none
例如：
print(re.match(‘super’, ‘superstition’).span())
會返回(0, 5)
print(re.match(‘super’, ‘insuperable’))
則返回None

search()會掃描整個字符串並返回第一個成功的匹配
例如：
print(re.search(‘super’, ‘superstition’).span())
返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())
返回(2, 7)

split

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):

按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將全部分割。

import re  

p = re.compile(r'\d+')  
print p.split('one1two2three3four4')  

### output ###  
# ['one', 'two', 'three', 'four', '']

findall

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):

搜索string，以列表形式返回全部能匹配的子串。

import re  

p = re.compile(r'\d+')  
print p.findall('one1two2three3four4')  

### output ###  
# ['1', '2', '3', '4']

finditer

finditer(string[, pos[, endpos]]) | 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。

import re  

p = re.compile(r'\d+')  
for m in p.finditer('one1two2three3four4'):  
    print m.group(),  

### output ###  
# 1 2 3 4

sub

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

使用repl替換string中每一個匹配的子串後返回替換後的字符串。
當repl是一個字符串時，可以使用\id或\g< id>、\g< name>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），並返回一個字符串用於替換（返回的字符串中不能再引用分組）。count用於指定最多替換次數，不指定時全部替換。

import re  

p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  

print p.sub(r'\2 \1', s)  

def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  

print p.sub(func, s)  

### output ###  
# say i, world hello!  
# I Say, Hello World!

subn

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):

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

import re  

p = re.compile(r'(\w+) (\w+)')  
s = 'i say, hello world!'  

print p.subn(r'\2 \1', s)  

def func(m):  
    return m.group(1).title() + ' ' + m.group(2).title()  

print p.subn(func, s)  

### output ###  
# ('say i, world hello!', 2)  
# ('I Say, Hello World!', 2)

Python爬蟲基礎-5（正則表達式）

正則表達式基礎

語法

數量詞的貪婪與非貪婪模式

re模塊

compile

Match

Pattern

match

search

split

findall

finditer

sub

subn

vue項目獲取富文本編輯器wangEditor內容導出爲word（html轉word格式並下載）

dotnet C# 創建 X11 應用時設置窗口背景顏色

Navicat安裝與激活教程

TDengine docker安裝方法

vue3組件通信與props

sapui5

Alpine Linux apk add DNS lookup error

部分JDK版本的發佈時間

工作中用到的腳本合集

合併代碼時Beyond Compare設置

sklearn初步學習

Scrapy 學習

Python爬蟲基礎-3

Python爬蟲基礎-2

python中關於時間變量的處理

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結