正则表达式
- 通用的字符串表达框架
- 简介表达一组字符串的表达式
- 针对字符串表达“简洁”和“特征”思想的工具
- 判断某字符串的特征归属
正则表达式的语法
经典正则表达式实例
Re库的基本使用
Re库是Python的标准库，主要用于字符串匹配。
正则表达式的表示类型
raw string类型（原生字符串类型）,是不包含转义符 \ 的字符串
re库采用raw string类型表示正则表达式，表示为：r’text’
例如： r’[1-9]\d{5}’
r’\d{3}-\d{8}|\d{4}-\d{7}’
Re库主要功能函数
re.search(pattern,string,flags=0)
在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象；
- pattern：正则表达式的字符串或原生字符串表示；
- string：待匹配字符串；
- flags：正则表达式使用时的控制标记；
例子：
import re match = re.search(r'[1-9]\d{5}','BIT 100081') if match: print(match.group(0)) #'100081'
re.match(pattern,string,flags=0)
从一个字符串的开始位置起匹配正则表达式，返回match对象
- pattern：正则表达式的字符串或原生字符串表示；
- string：待匹配字符串；
- flags：正则表达式使用时的控制标记；
例子：
import re ''' 这是小编准备的python爬虫学习资料，加群：821460695 即可免费获取！ ''' m-atch = re.match(r'[1-9]\d{5}','BIT 100081') if match: print(match.group(0)) #NULL match = re.match(r'[1-9]\d{5}','100081 BIT') if match: print(match.group(0)) #'100081'
re.findall(pattern,string,flags=0)
搜索字符串，以列表类型返回全部能匹配的子串
- pattern：正则表达式的字符串或原生字符串表示；
- string：待匹配字符串；
- flags：正则表达式使用时的控制标记；
例子：
import re ls = re.findall(r'[1-9]\d{5}', 'BIT100081 TSU100084') print(ls) #['100081', '100084']
re.split(pattern,string,maxsplit=0,flags=0)
将一个字符串按照正则表达式匹配结果进行分割，返回列表类型
- pattern：正则表达式的字符串或原生字符串表示；
- string：待匹配字符串；
- maxsplit：最大分割数，剩余部分作为最后一个元素输出；
- flags：正则表达式使用时的控制标记；
- 例子：
import re ls = re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084') print(ls) #['BIT', ' TSU', ''] ls2 = re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=1) print(ls2) #['BIT', ' TSU10084']
re.finditer(pattern,string,flags=0)
搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素都是match对象
- pattern：正则表达式的字符串或原生字符串表示；
- string：待匹配字符串；
- flags：正则表达式使用时的控制标记；
例子：
import re for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'): if m: print(m.group(0)) #100081 100084
re.sub(pattern,repl,string,count=0,flags=0)
在一个字符串中替换所有匹配正则表达式的子串，并返回替换后的字符串
- pattern：正则表达式的字符串或原生字符串表示；
- repl：替换匹配字符串的字符串；
- string：待匹配字符串；
- count：匹配的最大替换次数
- flags：正则表达式使用时的控制标记；
- 例子：
import re rst = re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT 100081,TSU 100084') print(rst) # 'BIT :zipcode TSU :zipcode'
Re库的另一种用法
编译后的对象拥有的方法和re库主要功能函数相同
#函数式用法：一次性操作 rst = re.search(r'[1-9]\d{5}', 'BIT 100081') #面向对象用法：编译后的多次操作 pat = re.compile(r'[1-9]\d{5}') rst = pat.search('BIT 100081')
re.compile(pattern,flags=0)
将正则表达式的字符串形式编译成正则表达式对象
- pattern：正则表达式的字符串或原生字符串表示；
- flags：正则表达式使用时的控制标记；
regex = re.compile(r’[1-9]\d{5}’)
Re库的match对象
import re match = re.search(r'[1-9]\d{5}','BIT 100081') if match: print(match.group(0)) # '100081' print(type(match)) # <class 're.Match'>
Match对象的属性
Match对象的方法
import re m = re.search(r'[1-9]\d{5}', 'BIT100081 TSU100084') print(m.string) # BIT100081 TSU100084 print(m.re) # re.compile('[1-9]\\d{5}') print(m.pos) # 0 print(m.endpos) # 19 print(m.group(0)) # '100081' 返回的是第一次匹配的结果,获取所有使用re.finditer()方法 print(m.start()) # 3 print(m.end()) # 9 print(m.span()) # (3, 9)
Re库的贪婪匹配和最小匹配
Re库默认采用贪婪匹配，即输出匹配最长的子串。
import re match = re.search(r'PY.*N', 'PYANBNCNDN') print(match.group(0)) # PYANBNCNDN
最小匹配方法：
import re match = re.search(r'PY.*?N', 'PYANBNCNDN') print(match.group(0)) # PYAN
最小匹配操作符
Re库实例之淘宝商品比价定向爬虫
功能描述：
目标：获取淘宝搜索页面的信息，提取其中的商品名称和价格
理解：
- 淘宝的搜索接口
- 翻页的处理
技术路线：requests-re
程序的结构设计：
- 步骤1：提交商品搜索请求，循环获取页面
- 步骤2：对于每个页面，提取商品的名称和价格信息
- 步骤3：将信息输出到屏幕上
import requests import re ''' 这是小编准备的python爬虫学习资料，加群：821460695 即可免费获取！ ''' def getHTMLText(url): #浏览器请求头中的User-Agent，代表当前请求的用户代理信息（下方有获取方式） headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'} try: #浏览器请求头中的cookie，包含自己账号的登录信息（下方有获取方式） coo = '' cookies = {} for line in coo.split(';'): #浏览器伪装 name, value = line.strip().split('=', 1) cookies[name] = value r = requests.get(url, cookies = cookies, headers=headers, timeout = 30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return "" #解析请求到的页面，提取出相关商品的价格和名称 def parsePage(ilt, html): try: plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"', html) tlt = re.findall(r'\"raw_title\"\:\".*?\"', html) for i in range(len(plt)): price = eval(plt[i].split(':')[1]) title = eval(tlt[i].split(':')[1]) ilt.append([price, title]) except: print("") def printGoodsList(ilt): tplt = "{:4}\t{:8}\t{:16}" print(tplt.format("序号", "价格", "商品名称")) count = 0 for g in ilt: count = count 1 print(tplt.format(count, g[0], g[1])) def main(): goods = '书包' depth = 2 #爬取深度，2表示爬取两页数据 start_url = 'https://s.taobao.com/search?q=' goods infoList = [] for i in range(depth): try: url = start_url '&s=' str(44*i) html = getHTMLText(url) parsePage(infoList, html) except: continue printGoodsList(infoList)
,
