Python爬虫之正则表达式的使用教程详解

Python  /  管理员 发布于 7年前   159

正则表达式的使用

re.match(pattern,string,flags=0)

re.match尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none

参数介绍：

pattern:正则表达式

string：匹配的目标字符串

flags：匹配模式

正则表达式的匹配模式：

最常规的匹配

import recontent ='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()) #返回匹配结果print(result.span()) #返回匹配结果的范围

结果运行如下：

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（.*）匹配更多内容

import recontent ='hello 123456 World_This is a Regex Demo'result = re.match('^hello.*Demo$',content)print(result)print(result.group())

结果运行如下：

<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>
hello 123456 World_This is a Regex Demo

匹配目标

在正则表达式中使用（）将要获取的内容括起来

使用group(1)获取第一处，group(2)获取第二处，如此可以提取我们想要获取的内容

import recontent ='hello 123456 World_This is a Regex Demo'result = re.match('^hello\s(\d{6})\s.*Demo$',content)print(result)print(result.group(1))#获取匹配目标

结果运行如下：

<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>
123456

贪婪匹配

import recontent ='hello 123456 World_This is a Regex Demo'result = re.match('^he.*(\d+).*Demo$',content)print(result)print(result.group(1))

注意：.*会尽可能的多匹配字符

非贪婪匹配

import recontent ='hello 123456 World_This is a Regex Demo'result = re.match('^he.*?(\d+).*Demo$',content)print(result)print(result.group(1))　

注意：.*?会尽可能匹配少的字符

使用匹配模式

在解析HTML代码时会有换行，这时我们就要使用re.S

import recontent ='hello 123456 World_This ' \'is a Regex Demo'result = re.match('^he.*?(\d+).*?Demo$',content,re.S)print(result)print(result.group(1))

运行结果如下：

<_sre.SRE_Match object; span=(0, 39), match='hello 123456 World_This is a Regex Demo'>
123456

转义

在解析过程中遇到特殊字符，就需要做转义，比如下面的$符号。

import recontent = 'price is $5.00'result = re.match('^price.*\$5\.00',content)print(result.group())

总结：尽量使用泛匹配，使用括号得到匹配目标，尽量使用非贪婪模式，有换行就用re.S

re.search(pattern,string,flags=0)

re.search扫描整个字符串并返回第一个成功的匹配。

比如我想要提取字符串中的123456，使用match方法无法提取，只能使用search方法。

import recontent ='hello 123456 World_This is a Regex Demo'result = re.match('\d{6}',content)print(result)import recontent ='hello 123456 World_This is a Regex Demo'result = re.search('\d{6}',content)print(result)print(result.group())

运行结果如下：

<_sre.SRE_Match object; span=(6, 12), match='123456'>

匹配演练

可以匹配代码里结构相同的部分，这样可以返回你需要的内容

import recontent = '<a title="2009年中信出版社出版图书" href="https: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年中信出版社出版图书</a>'result = re.search('<a.*?new:\d{7}-\d{7}.*?>(.*?)</a>',content)print(result.group(1))2009年中信出版社出版图书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 rehtml ='''<li><a title="网络歌曲" href="https: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">网络歌曲</a></li><li><a title="2009年中信出版社出版图书" href="https: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年中信出版社出版图书</a></li>'''result = re.findall('<a.*?new:\d{7}-\d{7}.*?>(.*?)</a>',html,re.S)count = 0for list in result:  print(result[count])  count+=1网络歌曲2009年中信出版社出版图书re.sub( pattern，repl，string，count，flags)

re.sub共有五个参数

三个必选参数 pattern，repl，string

两个可选参数count，flags

替换字符串中每一个匹配的字符串后替换后的字符串

import recontent = 'hello 123456 World_This is a Regex Demo'content = re.sub('\d+','',content)print(content)

运行结果如下：

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)

运行结果如下：

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)

运行结果如下：

hello 123456 789 World_This is a Regex Demo

注意：这里\1代表前面匹配的123456

演练

在这里我们替换li标签

import rehtml ='''<li><a title="网络歌曲" href="https: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">网络歌曲</a></li><li><a title="2009年中信出版社出版图书" href="https: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年中信出版社出版图书</a></li>'''html = re.sub('<li>|</li>','',html)print(html)

运行结果如下，里面就没有li标签

<a title="网络歌曲" href="https: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">网络歌曲</a><a title="2009年中信出版社出版图书" href="https: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年中信出版社出版图书</a>compile(pattern [, flags])

该函数根据包含的正则表达式的字符串创建模式对象。可以实现更有效率的匹配

将正则表达式编译成正则表达式对象，以便于复用该匹配模式

import recontent = 'hello 123456 ' \'World_This is a Regex Demo'pattern = re.compile('hello.*?Demo',re.S)result = re.match(pattern,content)print(result.group())　

运行结果如下：

hello 123456 World_This is a Regex Demo

综合使用

import rehtml = '''<div class="slide-page" style="width: 700px;" data-index="1">    <a class="item" target="_blank" href="https://movie.douban.com/subject/26725678/?tag=热门&from=gaia">      <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：暗网" data-x="694" data-y="1000">      </div>      <p>        解除好友2：暗网          <strong>7.9</strong>      </p>    </a>    <a class="item" target="_blank" href="https://movie.douban.com/subject/26916229/?tag=热门&from=gaia_video">      <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="镰仓物语" data-x="2143" data-y="2993">      </div>      <p>        镰仓物语          <strong>6.9</strong>      </p>    </a>    <a class="item" target="_blank" href="https://movie.douban.com/subject/26683421/?tag=热门&from=gaia">      <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" href="https://movie.douban.com/subject/27072795/?tag=热门&from=gaia">      <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="幸福的拉扎罗" data-x="640" data-y="914">      </div>      <p>        幸福的拉扎罗          <strong>8.6</strong>      </p>    </a>    <a class="item" target="_blank" href="https://movie.douban.com/subject/27201353/?tag=热门&from=gaia_video">      <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="大师兄" data-x="679" data-y="950">      </div>      <p>        大师兄          <strong>5.2</strong>      </p>    </a>    <a class="item" target="_blank" href="https://movie.douban.com/subject/30146756/?tag=热门&from=gaia_video">      <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="风语咒" data-x="1079" data-y="1685">      </div>      <p>        风语咒          <strong>6.9</strong>      </p>    </a>    <a class="item" target="_blank" href="https://movie.douban.com/subject/26630714/?tag=热门&from=gaia">      <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="精灵旅社3：疯狂假期" data-x="1063" data-y="1488">      </div>      <p>        精灵旅社3：疯狂假期          <strong>6.8</strong>      </p>    </a>    <a class="item" target="_blank" href="https://movie.douban.com/subject/25882296/?tag=热门&from=gaia_video">      <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" href="https://movie.douban.com/subject/26804147/?tag=热门&from=gaia_video">      <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="摩天营救" data-x="1371" data-y="1920">      </div>      <p>        摩天营救          <strong>6.4</strong>      </p>    </a>    <a class="item" target="_blank" href="https://movie.douban.com/subject/24773958/?tag=热门&from=gaia_video">      <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="复仇者联盟3：无限战争" data-x="1968" data-y="2756">      </div>      <p>        复仇者联盟3：无限战争          <strong>8.1</strong>      </p>    </a>  </div>'''count = 0for list in result:  print(result[count])  count+=1

运行结果如下：

('解除好友2：暗网', '7.9')
('镰仓物语', '6.9')
('特工', '8.3')
('幸福的拉扎罗', '8.6')
('大师兄', '5.2')
('风语咒', '6.9')
('精灵旅社3：疯狂假期', '6.8')
('狄仁杰之四大天王', '6.2')
('摩天营救', '6.4')
('复仇者联盟3：无限战争', '8.1')

总结

以上所述是小编给大家介绍的Python爬虫之正则表达式的使用教程，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对站的支持！