Python爬蟲之正則表達式的使用教程詳解
正則表達式的使用
re.match(pattern,string,flags=0)
re.match嘗試從字符串的起始位置匹配一個模式，如果不是起始位置匹配成功的話，match()就返回none
參數(shù)介紹：
pattern:正則表達式
string：匹配的目標字符串
flags：匹配模式
正則表達式的匹配模式：
最常規(guī)的匹配
import re
content ='hello 123456 World_This is a Regex Demo'
print(len(content))
result = re.match('^hello\s\d{6}\s\w{10}.*Demo$$',content)
print(result)
print(result.group()) #返回匹配結(jié)果
print(result.span()) #返回匹配結(jié)果的范圍
結(jié)果運行如下：
39
<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>
hello 123456 World_This is a Regex Demo
(0, 39)
泛匹配
使用（.*）匹配更多內(nèi)容
import re
content ='hello 123456 World_This is a Regex Demo'
result = re.match('^hello.*Demo$',content)
print(result)
print(result.group())
結(jié)果運行如下：
<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>
hello 123456 World_This is a Regex Demo
匹配目標
在正則表達式中使用（）將要獲取的內(nèi)容括起來
使用group(1)獲取第一處，group(2)獲取第二處，如此可以提取我們想要獲取的內(nèi)容
import re
content ='hello 123456 World_This is a Regex Demo'
result = re.match('^hello\s(\d{6})\s.*Demo$',content)
print(result)
print(result.group(1))#獲取匹配目標
結(jié)果運行如下：
<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>
123456
貪婪匹配
import re
content ='hello 123456 World_This is a Regex Demo'
result = re.match('^he.*(\d+).*Demo$',content)
print(result)
print(result.group(1))
注意：.*會盡可能的多匹配字符
非貪婪匹配
import re
content ='hello 123456 World_This is a Regex Demo'
result = re.match('^he.*?(\d+).*Demo$',content)
print(result)
print(result.group(1))
注意：.*?會盡可能匹配少的字符
使用匹配模式
在解析HTML代碼時會有換行，這時我們就要使用re.S
import re
content ='hello 123456 World_This ' \
'is a Regex Demo'
result = re.match('^he.*?(\d+).*?Demo$',content,re.S)
print(result)
print(result.group(1))
運行結(jié)果如下：
<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>
123456
轉(zhuǎn)義
在解析過程中遇到特殊字符，就需要做轉(zhuǎn)義，比如下面的$符號。
import re
content = 'price is $5.00'
result = re.match('^price.*\$5\.00',content)
print(result.group())
總結(jié)：盡量使用泛匹配，使用括號得到匹配目標，盡量使用非貪婪模式，有換行就用re.S
re.search(pattern,string,flags=0)
re.search掃描整個字符串并返回第一個成功的匹配。
比如我想要提取字符串中的123456，使用match方法無法提取，只能使用search方法。
import re
content ='hello 123456 World_This is a Regex Demo'
result = re.match('\d{6}',content)
print(result)
import re
content ='hello 123456 World_This is a Regex Demo'
result = re.search('\d{6}',content)
print(result)
print(result.group())
運行結(jié)果如下：
<_sre.SRE_Match object; span=(6, 12), match='123456'>
匹配演練
可以匹配代碼里結(jié)構(gòu)相同的部分，這樣可以返回你需要的內(nèi)容
import re
content = '<a title="2009年中信出版社出版圖書" href="/doc/2703035-2853985.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" target="_blank" data-log="old:2703035-2853885,new:2703035-2853985" data-cid="sense-list">2009年中信出版社出版圖書</a>'
result = re.search('<a.*?new:\d{7}-\d{7}.*?>(.*?)</a>',content)
print(result.group(1))
2009年中信出版社出版圖書
re.findall(pattern,string,flags=0)
搜索字符串，以列表形式返回全部能匹配的字串
import re
html ='''
<li>
<a title="網(wǎng)絡(luò)歌曲" href="/doc/2703035-2853927.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" target="_blank" data-log="old:2703035-2853885,new:2703035-2853927" data-cid="sense-list">網(wǎng)絡(luò)歌曲</a>
</li>
<li>
<a title="2009年中信出版社出版圖書" href="/doc/2703035-2853985.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" target="_blank" data-log="old:2703035-2853885,new:2703035-2853985" data-cid="sense-list">2009年中信出版社出版圖書</a>
</li>
'''
result = re.findall('<a.*?new:\d{7}-\d{7}.*?>(.*?)</a>',html,re.S)
count = 0
for list in result:
print(result[count])
count+=1
網(wǎng)絡(luò)歌曲
2009年中信出版社出版圖書
re.sub( pattern，repl，string，count，flags)
re.sub共有五個參數(shù)
三個必選參數(shù) pattern，repl，string
兩個可選參數(shù)count，flags
替換字符串中每一個匹配的字符串后替換后的字符串
import re
content = 'hello 123456 World_This is a Regex Demo'
content = re.sub('\d+','',content)
print(content)
運行結(jié)果如下：
hello World_This is a Regex Demo
import re
content = 'hello 123456 World_This is a Regex Demo'
content = re.sub('\d+','what',content)
print(content)
運行結(jié)果如下：
hello what World_This is a Regex Demo
import re
content = 'hello 123456 World_This is a Regex Demo'
content = re.sub('(\d+)',r'\1 789',content)
print(content)
運行結(jié)果如下：
hello 123456 789 World_This is a Regex Demo
注意：這里\1代表前面匹配的123456
演練
在這里我們替換li標簽
import re
html ='''
<li>
<a title="網(wǎng)絡(luò)歌曲" href="/doc/2703035-2853927.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" target="_blank" data-log="old:2703035-2853885,new:2703035-2853927" data-cid="sense-list">網(wǎng)絡(luò)歌曲</a>
</li>
<li>
<a title="2009年中信出版社出版圖書" href="/doc/2703035-2853985.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" target="_blank" data-log="old:2703035-2853885,new:2703035-2853985" data-cid="sense-list">2009年中信出版社出版圖書</a>
</li>
'''
html = re.sub('<li>|</li>','',html)
print(html)
運行結(jié)果如下，里面就沒有l(wèi)i標簽
<a title="網(wǎng)絡(luò)歌曲" href="/doc/2703035-2853927.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" target="_blank" data-log="old:2703035-2853885,new:2703035-2853927" data-cid="sense-list">網(wǎng)絡(luò)歌曲</a> <a title="2009年中信出版社出版圖書" href="/doc/2703035-2853985.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" target="_blank" data-log="old:2703035-2853885,new:2703035-2853985" data-cid="sense-list">2009年中信出版社出版圖書</a> compile(pattern [, flags])
該函數(shù)根據(jù)包含的正則表達式的字符串創(chuàng)建模式對象?？梢詫崿F(xiàn)更有效率的匹配
將正則表達式編譯成正則表達式對象，以便于復用該匹配模式
import re
content = 'hello 123456 ' \
'World_This is a Regex Demo'
pattern = re.compile('hello.*?Demo',re.S)
result = re.match(pattern,content)
print(result.group())
運行結(jié)果如下：
hello 123456 World_This is a Regex Demo
綜合使用
import re
html = '''
<div class="slide-page" style="width: 700px;" data-index="1">
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="26725678">
<img src="https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2525020357.jpg" alt="解除好友2：暗網(wǎng)" data-x="694" data-y="1000">
</div>
<p>
解除好友2：暗網(wǎng)
<strong>7.9</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="26916229">
<img src="https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2532008868.jpg" alt="鐮倉物語" data-x="2143" data-y="2993">
</div>
<p>
鐮倉物語
<strong>6.9</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="26683421">
<img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2528281606.jpg" alt="特工" data-x="690" data-y="986">
</div>
<p>
特工
<strong>8.3</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="27072795">
<img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2521583093.jpg" alt="幸福的拉扎羅" data-x="640" data-y="914">
</div>
<p>
幸福的拉扎羅
<strong>8.6</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="27201353">
<img src="https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2528842218.jpg" alt="大師兄" data-x="679" data-y="950">
</div>
<p>
大師兄
<strong>5.2</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="30146756">
<img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2530872223.jpg" alt="風語咒" data-x="1079" data-y="1685">
</div>
<p>
風語咒
<strong>6.9</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="26630714">
<img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2530591543.jpg" alt="精靈旅社3：瘋狂假期" data-x="1063" data-y="1488">
</div>
<p>
精靈旅社3：瘋狂假期
<strong>6.8</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="25882296">
<img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2526405034.jpg" alt="狄仁杰之四大天王" data-x="2500" data-y="3500">
</div>
<p>
狄仁杰之四大天王
<strong>6.2</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="26804147">
<img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2527484082.jpg" alt="摩天營救" data-x="1371" data-y="1920">
</div>
<p>
摩天營救
<strong>6.4</strong>
</p>
</a>
<a class="item" target="_blank" >
<div class="cover-wp" data-isnew="false" data-id="24773958">
<img src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2517753454.jpg" alt="復仇者聯(lián)盟3：無限戰(zhàn)爭" data-x="1968" data-y="2756">
</div>
<p>
復仇者聯(lián)盟3：無限戰(zhàn)爭
<strong>8.1</strong>
</p>
</a>
</div>
'''
count = 0
for list in result:
print(result[count])
count+=1
運行結(jié)果如下：
('解除好友2：暗網(wǎng)', '7.9')
('鐮倉物語', '6.9')
('特工', '8.3')
('幸福的拉扎羅', '8.6')
('大師兄', '5.2')
('風語咒', '6.9')
('精靈旅社3：瘋狂假期', '6.8')
('狄仁杰之四大天王', '6.2')
('摩天營救', '6.4')
('復仇者聯(lián)盟3：無限戰(zhàn)爭', '8.1')
總結(jié)
以上所述是小編給大家介紹的Python爬蟲之正則表達式的使用教程，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！
相關(guān)文章
python解決漢字編碼問題：Unicode Decode Error
最近在利用python讀取一個含有漢字的文檔時導致出現(xiàn)了亂碼，并報出了兩個錯誤，無奈只能上網(wǎng)找尋答案，后通過網(wǎng)友的幫助解決了這個問題，想著總結(jié)一下，下面這篇文章就主要介紹了python如何解決漢字編碼問題，有需要的朋友們可以參考借鑒。2017-01-01
這篇文章主要為大家詳細介紹了python實現(xiàn)半自動化發(fā)送微信信息，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-08-08
深入解析神經(jīng)網(wǎng)絡(luò)從原理到實現(xiàn)
這篇文章主要介紹了深入解析神經(jīng)網(wǎng)絡(luò)從原理到實現(xiàn),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-07-07
python進程管理工具supervisor的安裝與使用教程
supervisor是用python寫的一個進程管理工具，用來啟動，重啟，關(guān)閉進程。下面這篇文章主要給大家介紹了關(guān)于python實現(xiàn)的進程管理工具supervisor的安裝與使用的相關(guān)資料，需要的朋友可以參考借鑒，下面來一起看看吧。2017-09-09
這篇文章主要介紹了python中的元組的相關(guān)資料，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-11-11
Win7上搭建Cocos2d-x 3.1.1開發(fā)環(huán)境
現(xiàn)在，越來越多的公司采用Cocos2d-x 3.0來開發(fā)游戲了，但是現(xiàn)在這樣的文章并不多，所以打算寫一系列來幫助初學者快速掌握Cocos2d-x 3.0。首先就從開發(fā)環(huán)境的大家說起吧2014-07-07
本文主要介紹了python中矩陣合并、拼接、組合的實現(xiàn)示例，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-07-07
詳談python read readline readlines的區(qū)別
下面小編就為大家?guī)硪黄斦刾ython read readline readlines的區(qū)別。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-09-09
Python selenium使用autoIT上傳附件過程詳解
這篇文章主要介紹了Python selenium使用autoIT上傳附件過程詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-05-05
時間無疑是生活各個方面中最關(guān)鍵的因素之一，因此，記錄和跟蹤時間變得非常重要。在?Python?中，可以通過其內(nèi)置庫跟蹤日期和時間。今天我們來介紹關(guān)于?Python?中的日期和時間，一起來了解如何使用time和datetime模塊查找和修改日期和時間2022-10-10