【Python爬虫开发基础②】Python基础（正则表达式） |
您所在的位置：网站首页 › 自然数集为什么用z表示 › 【Python爬虫开发基础②】Python基础（正则表达式） |
|
友情提示：由于本专栏的文章偏向于爬虫，所以对于python的介绍不可能面面俱到，在这里只讲重点。 如果大家觉得有没讲到的地方，欢迎补充~ 往期推荐：【Python爬虫开发基础①】Python基础（一） 上一篇文章已经讲了Python的基础变量类型，今天我们来看一下Python在爬虫开发时用的比较多的“正则表达式” 文章目录 1 什么是正则表达式2 正则表达式在Python中的使用2.1 re模块2.1.1 re.search()2.1.2 re.match()2.1.3 re.findall()2.1.4 re.sub() 2.2 regex模块 3 正则表达式的分类3.1 简单的元字符3.2 用于单字符匹配的元字符3.3 用于字符集匹配的元字符3.4 用于量词匹配的元字符3.5 用于分组匹配的元字符 4 正则表达式的等价5 贪婪匹配 1 什么是正则表达式正则表达式（Regular Expression，在代码中常简写为regex、regexp或RE）是一种模式化的字符串，用于搜索、替换、分割和匹配文本数据。其基本思想是使用一些特殊的字符表示一个给定的模式，然后在文本中匹配这个模式。 正则表达式的作用： 匹配：判断给定的字符串是否符合正则表达式的过滤逻辑；获取子串：可以通过正则表达式，从字符串中获取我们想要的特定部分。正则表达式的特点： 非常强的灵活性、逻辑性和功能性；可以迅速地用极简单的方式达到字符串的复杂控制。对于刚接触的人来说，比较晦涩难懂。 2 正则表达式在Python中的使用在Python中，主要使用re模块和regex模块来实现正则表达式操作。下面分别进行详细的讲解。 2.1 re模块Python的re模块（正则表达式）是一种强大和灵活的工具，用来进行对字符串的模式匹配、替换和分割操作。re模块可以用于处理各种字符数据，包括文本文件、日志文件、编程语言代码等。re模块中包含了大量的正则表达式函数，包括搜索、替换、分割、匹配、复制、提取等，可以帮助用户完成高效的文本处理任务。 注：Python自带了re模块，不需要额外安装。因此，使用re模块也非常方便，而无需像安装其他第三方库一样在终端中运行pip install命令。 2.1.1 re.search()re.search()是Python re模块中常用的一个函数，用于在一个字符串中搜索指定的正则表达式模式。在搜索时，该函数会将整个字符串扫描一遍，直到找到第一个与模式匹配的字符串子串，然后返回一个匹配对象（Match Object）。如果没有找到相应的匹配子串，函数会返回None。 re.search()函数的常见用法如下： match_object = re.search(pattern, string, flags=0)其中，pattern参数表示要匹配的正则表达式，string参数表示要进行匹配的字符串，flags参数表示匹配选项（如是否忽略大小写等）。当函数返回一个匹配对象时，可以调用match_object.group()方法来获取匹配的子串，而该方法的参数表示要获取的子串的序号（如果正则表达式中有多个括号，每个括号表示一个组，其序号从左向右依次增加）。 例如，下面是一个示例代码，用于在一个字符串中搜索一个正则表达式： import re text = "Python is a popular programming language" pattern = "programming" match_object = re.search(pattern, text) if match_object: print("Found a match:", match_object.group()) else: print("No match found.")输出结果： Found a match: programming 2.1.2 re.match()在Python中，re.match()模块和re.search()模块类似，用于在字符串中搜索正则表达式的匹配项。但是，re.match()只会在字符串的开头进行匹配，如果在开头无法找到匹配项，它会返回一个None对象。因此，re.match()更适用于需要在字符串开头进行匹配的场景。 match的函数用法与search一样，下面来看一下同样的测试字符串，match返回的结果： text = "Python is a popular programming language" pattern = "programming" match_object = re.match(pattern, text) if match_object: print("Found a match:", match_object.group()) else: print("No match found.")输出： No match found.由于programming并不是第一个单词，所以无法匹配。 2.1.3 re.findall()re.findall()是Python中re模块提供的另一种匹配模式的函数，它可以搜索字符串中所有匹配正则表达式的模式，并返回一个列表，列表中的每个元素都是与正则表达式匹配的子字符串。 与re.search()和re.match()不同，re.findall()会返回所有的匹配项，而不仅仅是第一个或最后一个匹配项。因此，如果您需要查找一个文本中所有匹配某个正则表达式的模式的情况，re.findall()是非常有用的函数。 以下是该函数的示例代码： import re # 定义一个正则表达式，匹配以数字开头的子字符串 pattern = r'\d+' # 定义一个待匹配的字符串 text = "Today is Oct 15, 2021, and the temperature is 20 degrees Celsius." # 使用re.findall()函数查找所有匹配项，并将它们存储在一个list对象中 matches = re.findall(pattern, text) # 输出匹配结果 print(matches)在这个示例中，我们首先定义一个正则表达式模式，r'\d+'，用于匹配以数字开头的子字符串。然后，我们定义了一个待匹配的字符串，text。接下来，我们使用re.findall()函数查找所有匹配项，并将它们存储在一个list对象中，matches。最后，我们将匹配结果输出到屏幕上。 输出结果： ['15', '2021', '20']这是因为，在示例中的文本中，有三个以数字开头的子字符串，分别是15、2021和20度。re.findall()函数找到它们，并将它们存储在一个list对象中。 2.1.4 re.sub()re.sub()是Python re模块中提供的另一种匹配模式的函数，用于在字符串中对以某种模式匹配的子字符串进行替换。re.sub()函数返回一个新的字符串，其中所有匹配指定模式的子字符串都被替换为指定的内容。 下面是一个简单的代码示例，说明如何使用re.sub()进行字符串替换： import re # 定义一个正则表达式，匹配所有'is'字符 pattern = 'is' # 定义一个待匹配的字符串 text = "The pattern of the book is not easy to find." # 使用re.sub()函数将匹配项替换为指定字符串 new_text = re.sub(pattern, "was", text) # 输出结果 print(new_text)在这个示例中，我们首先定义了一个正则表达式模式，'is'，用于匹配所有的is字符。然后，我们定义了一个待匹配的字符串，text。接下来，我们使用re.sub()函数将所有匹配项替换为"was"。最后，我们输出被替换后的新字符串。 输出： The pattern of the book was not easy to find. 2.2 regex模块除了标准库中的re模块，还有一些第三方正则表达式模块，例如regex模块，它提供了比re模块更加全面、高级和兼容Perl正则表达式语法的功能。 regex模块与re模块类似，提供了re模块中的大多数函数，但它支持更多的正则表达式语法和功能，例如复杂的断言、Unicode属性和匹配嵌套结构等。此外，regex模块的性能也比re模块更好，可以处理更大的正则表达式和更长的文本数据。 总之，Python中的正则表达式模块有很多，其中标准库中的re模块是最常用的。如果需要在处理正则表达式时需要更复杂的语法和功能，可以尝试使用regex模块。 3 正则表达式的分类正则表达式由一些普通字符和一些元字符（metacharacters）组成。普通字符包括大小写的字母和数字，而元字符则具有特殊的含义，也就是我们要用来做匹配的标记。 3.1 简单的元字符 元字符作用\将下一个字符标记符、或一个向后引用、或一个八进制转义符。^匹配输入字行首。$匹配输入行尾。（星号）*匹配前面的子表达式任意次。（加号）+匹配前面的子表达式一次或多次(大于等于1次）。?匹配前面的子表达式零次或一次。示例代码： import re # 匹配开头字符 res1 = re.match('^a', 'abandon') print(res1) # print(res1.group()) # a # 匹配结尾字符 res2 = re.match('.*d$', 'wood') print(res2) # print(res2.group()) # wood # 匹配至少出现一次的字符 res3 = re.match('a+', 'aabcd') print(res3) # print(res3.group()) # aa # 匹配一次或零次的字符 res4 = re.match('a?', 'aaabandon') print(res4) # print(res4.group()) # a 3.2 用于单字符匹配的元字符 元字符作用. （点）匹配除“\n”和"\r"之外的任何单个字符。\d匹配一个数字字符。\D匹配一个非数字字符。\f匹配一个换页符。\n匹配一个换行符。\r匹配一个回车符。\s匹配任何不可见字符，包括空格、制表符、换页符等等。\S匹配任何可见字符。\t匹配一个制表符。\w匹配包括下划线的任何单词字符。\W匹配任何非单词字符。注：在元字符后面加一个加号（+）表示匹配一个或多个该类型字符 代码示例一（.）： # 指定要匹配的模式 pattern = "py." # 测试字符串1 test_str1 = "python" result1 = re.match(pattern, test_str1) print(result1) # 输出代码示例二（\d、\D）： # 指定要匹配的模式 pattern = "\d" # 测试字符串2 test_str2 = "The price is 199.99 dollars" result2 = re.findall(pattern, test_str2) print(result2) # 输出['1', '9', '9', '9', '9'] # 指定要匹配的模式 pattern = "\D" # 测试字符串3 test_str3 = "My phone number is 555-1234" result3 = re.findall(pattern, test_str3) print(result3) # 输出 ['M', 'y', ' ', 'p', 'h', 'o', 'n', 'e', ' ', 'n', 'u', 'm', 'b', 'e', 'r', ' ', 'i', 's', ' ', '-']代码示例四（\s、\S）： # 指定要匹配的模式 pattern1 = r"\s+" # 匹配一个或多个空白字符 pattern2 = r"\S+" # 匹配一个或多个非空白字符 # 测试字符串1 test_str1 = "Hello\tworld\n" result1 = re.findall(pattern1, test_str1) print(result1) # 输出 ['\t', '\n'] result2 = re.findall(pattern2, test_str1) print(result2) # 输出 ['Hello', 'world'] # 测试字符串2 test_str2 = " This is a demo. " result3 = re.findall(pattern1, test_str2) print(result3) # 输出 [' ', ' ', ' '] result4 = re.findall(pattern2, test_str2) print(result4) # 输出 ['This', 'is', 'a', 'demo.']代码示例四（\w、\W）： # 指定要匹配的模式 pattern1 = r"\w+" # 匹配一个或多个单词字符 pattern2 = r"\W+" # 匹配一个或多个非单词字符 # 测试字符串1 test_str1 = "Hello, world!" result1 = re.findall(pattern1, test_str1) print(result1) # 输出 ['Hello', 'world'] result2 = re.findall(pattern2, test_str1) print(result2) # 输出 [', ', '!'] # 测试字符串2 test_str2 = "This is a demo." result3 = re.findall(pattern1, test_str2) print(result3) # 输出 ['This', 'is', 'a', 'demo'] result4 = re.findall(pattern2, test_str2) print(result4) # 输出 [' ', ' ', ' ', '.'] 3.3 用于字符集匹配的元字符 元字符作用[xyz]字符集合。匹配所包含的任意一个字符。代码示例： import re # 指定要匹配的模式 pattern1 = r"[aeiou]" # 匹配任何元音字母 pattern2 = r"[A-Z]" # 匹配任何大写字母 # 测试字符串1 test_str1 = "Hello, world!" result1 = re.findall(pattern1, test_str1) print(result1) # 输出 ['e', 'o', 'o'] # 测试字符串2 test_str2 = "This is a Demo." result2 = re.findall(pattern2, test_str2) print(result2) # 输出 ['T', 'D'] 3.4 用于量词匹配的元字符 元字符作用{n}n是一个非负整数。匹配确定的n次。{n,}n是一个非负整数。至少匹配n次。{n,m}m和n均为非负整数，其中n |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |