Python爬虫之正则表达式的使用（三）

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 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 re
content =\'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 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))#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 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：.*会尽可能的多匹配字符

 

 

非贪婪匹配

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：.*?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 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))

　　

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 re
content = \'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 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())

　　

运行结果如下：

<_sre.SRE_Match object; span=(6, 12), match=\'123456\'>
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 re
content = \'<a title="2009年中信出版社出版图书" href="/doc/2703035-2853985.html" 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 re
html =\'\'\'
<li>
<a title="网络歌曲" href="/doc/2703035-2853927.html" 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="/doc/2703035-2853985.html" 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 = 0
for 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 re
content = \'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 re
html =\'\'\'
<li>
<a title="网络歌曲" href="/doc/2703035-2853927.html" 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="/doc/2703035-2853985.html" 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="/doc/2703035-2853927.html" 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="/doc/2703035-2853985.html" 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 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())

运行结果如下：

hello 123456 World_This is a Regex Demo

　　

 

综合使用

 

import re

html = \'\'\'
<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 = 0
for 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\')

　

　

正则表达式匹配IP

#IPv4的IP正则匹配表达式
import re
#简单的匹配给定的字符串是否是ip地址,下面的例子它不是IPv4的地址，但是它满足正则表达式
if re.match(r"^(?:[0-9]{1,3}\.){3}[0-9]{1,3}$", "272.168,1,1"):
    print "IP vaild"
else:
    print "IP invaild"
#精确的匹配给定的字符串是否是IP地址
if re.match(r"^(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$", "223.168.1.1"):
    print "IP vaild"
else:
    print "IP invaild"
#简单的从长文本中提取中提取ip地址
string_ip = "is this 289.22.22.22 ip ?
result = re.findall(r"\b(?:[0-9]{1,3}\.){3}[0-9]{1,3}\b", string_ip)
if result:
    print result
else:
    print "re cannot find ip"
#精确提取IP
result = re.findall(r"\b(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\b", string_ip):
if result:
    print result
else:
    print "re cannot find ip




#IPv6的正则匹配表达式
string_IPv6="1050:0:0:0:5:600:300c:326b"
#匹配是否满足IPv6格式要求,请注意例子里大小写不敏感
if re.match(r"^(?:[A-F0-9]{1,4}:){7}[A-F0-9]{1,4}$", string_IPv6, re.I):
    print "IPv6 vaild"
else:
    print "IPv6 invaild"
#提取IPv6，例子里大小写不敏感
result = re.findall(r"(?<![:.\w])(?:[A-F0-9]{1,4}:){7}[A-F0-9]{1,4}(?![:.\w])", string_IPv6, re.I)
#打印提取结果
print result

 

判断字符串中是否含有汉字或非汉字

model中compile值可以根据需要更改，满足不同的检测需求 

#判断一段文本中是否包含简体中文
import re
zhmodel = re.compile(u\'[\u4e00-\u9fa5]\') #检查中文
#zhmodel = re.compile(u\'[^\u4e00-\u9fa5]\') #检查非中文
contents = u\'（2014）深南法民二初字第280号\'
match = zhmodel.search(contents)
if match:
    print(contents)
else:
    print(u\'没有包含中文\')