shihun

上一篇博客写了怎么发请求和获取到数据,接下来就是该怎么处理数据了,打开一个网站之后,它会返回很多数据,数据很多,有很多都是咱们不需要的,咱们写爬虫的话只获取到对咱们自己有用的数据,就要从返回的数据里面找到咱们需要的数据,然后保存起来。那怎么筛选到咱们需要的数据呢,就得用正则表达式了,正则表达就是写各种规则来匹配咱们想要的数据。

  字符串是我们在编程的时候很常用的一种数据类型,检查会在字符串里面查找一些内容,对于比较简单的查找,字符串里面就有一些内置的方法可以处理,对于比较复杂的字符串查找,或者是有一些内容经常变化的字符串里面查找,那么字符串内置的查找方法已经不好使了,满足不了我们的要求,这个时候就得用正则表达式了,正则表达式就是用来匹配一些比较复杂的字符串。

 

     在python中,如果使用正则表达式的话,需要导入re模块,re模块是一个内置模块,直接import就可以使用。

     匹配字符串的几个方法

 1 import re
 2 s='besttest is good'
 3 print(re.match('best',s)) 
 4 #match方法接收3个参数,第一个是匹配的规则,也就是正则表达式,第二个是要查找的字符串,
 5 #第三个参数不是必填的,用于控制正则表达式的匹配方式,看下面正则表达式的匹配模式。是从字符串的第一个单词中匹配字符串,如果匹配到返回一个对象,如果匹配不到,则返回None
 6 #>>><_sre.SRE_Match object; span=(0, 4), match='best'>
 7 print(re.search('best',s))
 8 #search方法的参数和match一样,和match方法不一样的是,match是从字符串里面的第一个单词里面找,而search方法则是从字符串的整个内容里面找,如果找到了就返回第一个,找不到就返回None
 9 #>>> <_sre.SRE_Match object; span=(0, 4), match='best'>
10 print(re.findall('best',s))
11 #findall方法的参数上面的match、search一样,和他们不一样的是,findall会返回所有一个list,把所有匹配到的字符串,放到这个list里面,如果找不到的话,就返回一个空的list
12 #>>> ['best']
13  
14 print(re.sub('best','Best',s))
15 #sub方法和字符串的replace方法一样,是用来替换字符串的,把匹配到的值替换成一个新的字符串,接收3个参数,第一个是正则表达式,第二个是要替换成什么,第三个就是要查找的字符串,会返回一个新的字符串,如果匹配不到的话,返回原来的字符串
16 #>>> Besttest is good
17 print(re.split('best',s))
18 #split 方法和字符串的split方法一样,是用来分割字符的,按照匹配到的字符串进行分割,返回的是一个list,如果匹配不到的话,那返回的list中还是原来的字符串
19 #>>> ['', 'test is good']

常用正则表达式符号

1、数量词

 1 '*'     匹配*号前的字符0次或多次,只是*前面的一个字符
 2 print(re.findall(r'be*','besttest very best'))
 3 >>> ['be']
 4 '+'     匹配前一个字符1次或多次,只是+前面的一个字符
 5 print(re.findall(r'st+','besttest is best'))
 6 >>> ['stt', 'st', 'st']
 7 '?'     匹配前一个字符1次或0次,只是?前面的一个字符
 8 print(re.findall(r'st?','besttest is best'))
 9 '{m}'   匹配前一个字符m次
10 print(re.findall(r't{2}','besttest is best'))
11 >>> ['tt']
12 '{n,m}' 匹配前一个字符n到m次
13 print(re.findall(r't{1,2}','besttest is best'))
14 >>> ['tt', 't', 't']

2、一般字符串

 1 '.'     默认匹配除\n之外的任意一个字符
 2 print(re.findall(r'b.','besttest is good'))
 3 '[....]',字符集合,
 4 >>> ['be']
 5 >>> ['st', 'st', 's', 'st']
 6 '\'   转译符,前面的* + ?这样的字符都有特殊含义了,如果你想就想找它的话,那就得转译了
 7 意思就是说如果你想让特殊字符失去以前的含义,那么就得给它前面加上\
 8 print(re.findall(r'\?','besttest is best????'))
 9 >>> ['?', '?', '?', '?']
10 '|'     匹配|左或|右的字符
11 print(re.findall(r'best|is','besttest is best'))
12 >>> ['best', 'is', 'best']
13 '[]' 字符集合,某些字符的集合,匹配的时候是这个集合里面的任意一个就行
14 print(re.findall(r'be[stacj]','besttest is best bejson'))
15 >>>['bes', 'bes', 'bej']
16 在[]里面如果用^的话代表取反,也就是不包括的这些字符串的
17 print(re.findall(r'be[^stac]','besttest is best bejson')) 

3、边界匹配

 1 '^'     匹配以什么字符开头,多行情况下匹配每一行的开头
 2 print(re.findall(r'^b','besttest is good'))
 3 >>> ['b']
 4 print(re.findall(r'^b','besttest is good\nbest',re.M))#多行模式
 5 >>> ['b','b']
 6 '$'     匹配以什么字符结尾,多行情况下匹配每一行的结尾
 7 print(re.findall(r'd$','besttest is good'))
 8 >>> ['d']
 9 print(re.findall(r'd$','besttest is good\nbest is good',re.M<span style="line-height:1.5;">))#多行模式</span> >>>['d','d']
10 '\A' 仅以什么字符开头,和^不同的是它不能用多行模式
11 print(re.findall(r'\Ab','besttest is good'))
12 >>> ['b']
13 '\Z' 仅以什么字符结尾,和$不同的是它不能用多行模式
14 print(re.findall(r'd\Z','besttest is good'))
15 >>> ['d']

4、预定义字符集合

 1 '\d'  匹配数字0-9
 2 print(re.findall(r'\d+','sdf2342312sdfs'))
 3 >>> ['2342312']
 4 '\D'    匹配非数字
 5 print(re.findall(r'\D','sdf2342312sdfs'))
 6 >>>['sdf', 'sdfs']
 7 '\w'    匹配[A-Za-z0-9],也就是所有的字母和数字
 8 print(re.findall(r'\w','sdf234%^2312sdfs&'))
 9 >>>['sdf234', '2312sdfs']
10 '\W' 匹配不是[A-Za-z0-9],也就是不是字母和数字
11 print(re.findall(r'\W','sdf234%^2312sdfs&'))
12 >>>['%', '^', '&']
13 '\s' 匹配空白字符、\t、\n、\r,空格
14 print(re.findall('\s','axss\n\tsdf\t\r\t'))
15 >>> ['\n', '\t', '\t', '\r', '\t']
16 '\S'匹配空白字符,不是\t、\n、\r,空格
17 print(re.findall('\s','axss\n\tsdf\t\r\t'))
18 >>>['\n', '\t', '\t', '\r', '\t']

5、分组匹配

 1 '(...)' 分组匹配,把某些规则写成在一个组里,这样就可以直接对这个进行一些匹配了,举个例子的话,如果要匹配ip地址的话
 2 ip地址是类似这样的192.168.5.1,每一位都是1位或者3位的数字然后后面有个点正常写的话,得这么写
 3 print(re.findall(r'\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3}',"192.168.1.3"))
 4 >>> ['192.168.1.3']
 5 这样写的话,有点麻烦了,通过上面的我们可以发现规律,除了第一个后面的全都是'.\d{1,3}',写重复的代码就是低级的,这样的话就可以用分组了
 6 就把'.\d{1,3}'当做一个整体,然后让他们出现3次就ok了,可以改成下面这样的
 7 print(re.search(r'\d{1,3}(.\d{1,3}){3}',"192.168.1.3").group())这个是用search方法的,结果和上面的一样的
 8 >>> 192.168.1.3
 9 print(re.findall(r'\d{1,3}(.\d{1,3}){3}',"192.168.1.3"))咱们继续用findall方法,发现结果是下面的
10 >>> ['.3']
11 为啥会这样呢,用match方法和search方法都是正常的,findall方法这里有个坑,就是如果findall方法里面有分组的话,那结果就只是分组里面的内容
12 ,如果想让结果正确的话就在分组最前面写上'?:',一个问号和一个冒号就好了,启用“不捕捉模式”
13 print(re.findall(r'\d{1,3}(?:.\d{1,3}){3}',"192.168.1.3"))
14 这么写结果就对了

正则表达式匹配模式

   正则匹配模式是用在match、search、findall里面的第三个参数,还有其他的模式,但是一般也用不到,就这两种能用到,别的就不记了

 

1 re.I: #忽略大小写
2 re.M: #多行模式,改变'^'和'$'的行为
3 re.findall('pattern', 'string',re.I)

 

 

 

相关文章: