Python爬蟲學習日誌（7）

正則表達式

• RE:regular expression 或 regex

1.概念

正則表達式的作用

• 通用的字符串表達框架
• 簡潔 表達一組字符串的表達式
• 針對字符串表達 簡潔 和 特徵 思想的工具
• 判斷某字符串的特徵歸屬
• 表達文本類型的特徵（病毒、入侵等）

正則表達式的使用

• 編譯：將符合正則表達式語法的字符串轉換成正則表達式特徵
  

正則表達式的語法：由字符和操作符構成

正則表達式的常用操作符

正則表達式語法實例

經典正則表達式實例

2.Re庫的基本使用

正則表達式的表示類型

• raw string 類型（原生字符串類型）
  原生字符串類型在字符串類型前加小寫的 ‘ r ’。（轉義符 ‘\’）
  
• string 類型，更繁瑣
  
  當正則表達式包含轉義符時，使用raw string

Re庫主要功能函數

Re庫的等價用法

• 編譯後的優勢：一次編譯，可以多次操作。
• 編譯後的對象可以調用上述六個主要功能函數。
  
  

Re庫主要功能函數的示例

import re
#search
match = re.search(r'[1-9]\d{5}', 'BIT 100081')
if match:
    print("search: ",match.group(0))
#match
match = re.match(r'[1-9]\d{5}', '100081 BIT')
if match:
    print("match: ",match.group(0))
#findall
ls = re.findall(r'[1-9]\d{5}', 'BIT100081 TSU100084')
print("findall: ",ls)
#split
ls2 = re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit= 1)
print("split: ",ls2)
#finditer
for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'):
    if m:
        print("finditer: ",m.group(0))
#sub
ls3 = re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT100081 TSU100084')
print("sub: ",ls3)

輸出結果：

search:  100081
match:  100081
findall:  ['100081', '100084']
split:  ['BIT', ' TSU100084']
finditer:  100081
finditer:  100084
sub:  BIT:zipcode TSU:zipcode

Re庫的Match對象

• Match對象的屬性
  

• Match對象的方法

• Match對象示例

import re
#search
m = re.search(r'[1-9]\d{5}', 'BIT100081 TSU100084')
print(type(m))

print(m.string)
print(m.re)
print(m.pos, m.endpos)
print(m.group(0))
print(m.start(), m.end(), m.span())

輸出結果：

<class 're.Match'>
BIT100081 TSU100084
re.compile('[1-9]\\d{5}')
0 19
100081
3 9 (3, 9)

Re庫的貪婪匹配和最小匹配

• 貪婪匹配
  
  
• 最小匹配（後面添加 “？”）