Python爬虫必学知识点：正则表达式讲解[Python基础]

  • Z时代
  • 2024-01-10
  • 分类：综合

python

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章一级AI入门学习 ，作者小伍哥

刚接触Python的新手、小白，可以复制下面的链接去免费观看Python的基础入门教学视频

https://v.douyu.com/author/y6AZ4jn9jwKW

 

前言

正则表达式（Regular Expression），就是具有一定规则的表达式。通过正则表达式引擎，将这些规则转换为正则表达式对象，然后再去文本中搜索能够与之匹配的字符串。

正则表达式的语法都是一样的，只是不同编程语言的实现不同，大部分都是师从Perl。

对Perl语言有所了解的朋友，学习python正则应该是手到擒来。

正则表达式入门

Python中的re模块提供了强大的正则表达式功能。

而第三方模块regex提供了与标准库re模块兼容的API接口, 同时还提供了额外的功能和更全面的Unicode支持。

 

匹配字符

大多数字母和字符只会匹配自身，例如：python只会匹配自己，不会匹配Python。

但是有一些字符串，它们不表示自身，而是具有一些特殊含义，只能通过转义之后才表示自身。

这些字符包括：

. ^ $ * + ? { } [ ]  | ( )

【.】

在默认模式中，匹配除换行外所有字符，如果指定了DOTALL标签，则表示任意字符

import re
"""
re.findall(pattern, string, flags=0)
pattern: 匹配规则，字符串
string: 需要去匹配的字符串
从左到右进行扫描，匹配按找到的顺序返回。如果样式里存在一个或多个组，就返回一个组合列表
"""
re.findall("ab.", "abc") 
# Out[1]: ["abc"]
re.findall("ab.", "ab
") 
# Out[2]: []
re.findall("ab.", "ab
", re.DOTALL)
# Out[3]: ["ab
"]

【^】

匹配字符串的开头， 如果是MULTILINE模式，匹配每行开头(

之后)的首个符号。

在字符集中可表示"非"，[^a]表示除字符a之外的字符。

re.findall("^ab", "abcda
abddd")                                     
# Out[4]: ["ab"]
re.findall("^ab", "abcda
abddd", re.MULTILINE)
# Out[5]: ["ab", "ab"]
re.findall("[^a]", "aaa
bbb")
# Out[6]: ["
", "b", "b", "b"]

【$】

匹配字符串的末尾，或者在字符串末尾换行符的前一个字符。

在 MULTILINE 模式下匹配每行末尾(

之前)的字符。

re.findall("ab$", "abcdab
abdab")                                   
# Out[7]: ["ab"]
# 上面结果中的 ab 是 
 前面的还是后面的呢？进行如下测试，发现是后面的 ab 被匹配了
re.findall("ab.$", "abcdab1
abdab2")
# Out[8]: ["ab2"]
# 在 MULTILINE 模式下，两个都被匹配了
re.findall("ab$", "abcdab
abdab", re.MULTILINE)
# Out[9]: ["ab", "ab"]
# 而对 $ 在换行结尾的字符串中匹配时，会得到两个空字符，一个在换行符之前，一个在字符串的末尾
re.findall("$", "abcdab1
")
# Out[10]: ["", ""]

【*】

匹配前一个规则0次或无限次

re.findall("ab*", "a")
# Out[11]: ["a"]
re.findall("ab*", "ab")
# Out[12] ["ab"]
re.findall("ab*", "abbbbbbbbbbbbbb")
# Out[13] ["abbbbbbbbbbbbbb"]

【+】

匹配前一个规则1次或无限次

re.findall("ab+", "a")
# Out[14]: []
re.findall("ab+", "ab")
# Out[15] ["ab"]
re.findall("ab+", "abbbbbbbbbbbbbb")
# Out[16] ["abbbbbbbbbbbbbb"]

【?】

匹配前一个规则0次或1次

re.findall("ab?", "a")
# Out[17]: ["a"]
re.findall("ab?", "ab")
# Out[18] ["ab"]
re.findall("ab?", "abbbbbbbbbbbbbb")
# Out[19] ["ab"]

【.?,*?,??】

.,*,?修饰符都是贪婪的，会尽可能的匹配更多的字符串

贪婪的我，当然是赞越多越好呀。

而在这些修饰符后面加上?，便成了非贪婪模式，会尽可能少的匹配字符串

re.findall("<.*>", "<a>bcd>")
# Out[20] ["<a>bcd>"]
re.findall("<.*?>", "<a>bcd>")
# Out[21] ["<a>"]

{m}

指定前面的正则表达式出现的次数，出现次数必须完全一致。

re.findall("a{3}", "aa") 
# Out[22]: []
re.findall("a{3}", "aaaaa")
# Out[23]: ["aaa"]

{m, n}

指定前面的正则表达式出现的次数在m~n之间，尽可能多的匹配，匹配的下界是m，上界是n。

若缺省m，下界为0，若缺省n，为不设上界，即无限次。

re.findall("a{3, 5}", "aaaa") 
# Out[24]: []
# 3,5 之间不能添加空格
re.findall("a{3,5}", "aaaa")
# Out[25]: ["aaaa"]
re.findall("a{3,}", "aaaa")
# Out[26]: ["aaaa"]
re.findall("a{,5}", "aaaa")
# Out[27] ["aaaa", ""]

{m, n}?

  • 即非贪婪模式，尽可能少的匹配字符串。

re.findall("a{3,}?", "aaaaa")
# Out[28] ["aaa"]

【】

  • 转义特殊字符。如"."只表示.，而不再是表示任意字符。

  • 匹配字符需要转义，用表示

re.findall(".", "aa")
# Out[29] []
re.findall(".", "aa.")
# Out[30] ["."]

反斜杠灾难：反斜杠具有转义作用，如果需要匹配的字符串中存在多个，就需要调加相应数量的来转义

re.findall("\ab", "abc") # ["ab"]
"""
在反复使用反斜杠的正则中，这会导致大量重复的反斜杠，
并使得生成的字符串难以理解。
解决方案:
  使用 Python 的原始字符串表示法来表示正则表达式；
  "r" 为前缀的字符串，反斜杠不再表示转义
"""
re.findall(r"ab", "abc")  # ["ab"]
re.findall(r"
", "
")       # ["
"]

[]

表示字符集集合。匹配该字符需要转义[,]

# 1、单独列出，匹配 a、b 或 c
re.findall("[abc]", "ab.")
# Out[31]: ["a", "b"]
"""
2、字符范围：
[a-j]: 表示小写字母 a~j
[1-6]:表示数字 1~6
转义: 如 [a-z] 或者它的位置在首位或者末尾（[-a] 或 [a-]），它就只表示普通字符 "-"。
"""
re.findall("[a-z]", "-")
# Out[32]: ["-"]
re.findall("[-a]", "-")
# Out[33]: ["-"]
re.findall("[a-]", "-")
# Out[34]: ["-"]
"""
3、特殊字符失去特殊含义
  比如 [(+*)] 只会匹配这几个字符 "(", "+", "*", or ")"。
"""
re.findall("[(+*)]", "+-*/()")
# Out[35] ["+", "*", "(", ")"]
"""
4、字符类
 可以使用字符类：w，S 等，它们可以匹配的字符由 ASCII 或者 LOCALE 模式决定。
"""
re.findall("[w]", "abfagg-/*-")
# Out[36] ["a", "b", "f", "a", "g", "g"]
"""
5、取反
如果集合首字符是 "^" ，所有不在集合内的字符将会被匹配
[^^] 将匹配所有字符，除了 "^". 
^ 如果不在集合首位，就没有特殊含义。
"""
# 非 w 定义的字母
re.findall("[^w]", "abfagg-/*-")
# Out[37] ["-", "/", "*", "-"]
"""
6、匹配字符 "]"
两种方法
  加上反斜杠
  放到集合首位
"""
# 加上反斜杠
re.findall("]", "abc]")
# Out[38] ["]"]
# 放到集合首位
re.findall("[]{}]", "]abc")
# Out[39] ["]"]

【|】

或。A|B，匹配正则表达式A或B，A、B可以是任何正则表达式。

如果A匹配成功，则不会再匹配B。

匹配|字符需要转义，|或[|]

re.findall("a|b", "acb")
# Out[40] ["a", "b"]
re.findall("[|]", "ab|c")
# Out[41] ["|"]

(...)

小括号，可以组合表达式，匹配括号内的组合表达式，并标注表达式的开始和结束位置，可用于后续捕获

每对小括号代表一个组合，可以通过

umber的方式引用组合，1表示第一个组合。

要匹配字符 ( 或者 ), 用 ( 或 ), 或者放在字符集合里: [(], [)]。

re.findall("a(b+)", "abbb")
# Out[42] ["bbb"]
。
re.findall(r"(b)a1", "bab")
# Out[43] ["b"]

总结

以上是 Python爬虫必学知识点：正则表达式讲解[Python基础] 的全部内容， 来源链接： utcz.com/z/530217.html

回到顶部