爬蟲第一課：正則表示式符號與方法
第一課：正則表示式符號與方法
１．
. :匹配任意字元，換行符除外：
>>> import re
>>> a='xy123'
>>> b=re.findall('x',a)
>>> b
['x']>>> b=re.findall('x...',a)
>>> b
['xy12']
所以，"."是一個佔位符
２．
* :匹配前一個字元０次或者無限次：
>>> import re
>>> a='xy123'
>>> b=re.findall('x*',a)
>>> b
['x', '', '', '', '', '']
>>> a='xyx123'
>>> b=re.findall('x*',a)
>>> b
['x', '', 'x', '', '', '', '']
３．
? : 匹配前一個字元０次或者１次：
>>> b=re.findall('x?',a)
>>> b
['x', '', 'x', '', '', '', '']
４．
.* :貪心演算法：
>>> a
'fffxxIxxhyhxxlovexxhhhxxyouxxghh'
>>> b=re.findall('xx.*xx',a)
>>> b
['xxIxxhyhxxlovexxhhhxxyouxx']
５．
.*? :非貪心演算法：
>>> a
'fffxxIxxhyhxxlovexxhhhxxyouxxghh'
>>> b=re.findall('xx.*?xx',a)
>>> b
['xxIxx', 'xxlovexx', 'xxyouxx']
６．
() :匹配目標：
>>> a
'fffxxIxxhyhxxlovexxhhhxxyouxxghh'
>>> b=re.findall('xx(.*?)xx',a)
>>> b
['I', 'love', 'you']
提取出來了目標：Ｉ LOVE YOU
再來看一個例子：
import re
s='ffsdxxhello\nxxfgfgxxworldxxhffh'
d=re.findall('xx(.*?)xx',s)
結果：>>> d
['fgfg']
注意，這裡換行了，而只尋找到了第二行。（我們的目標是找到hello world）
那麼怎麼避免這種情況呢？
答案：用.S
import re
s='ffsdxxhello\nxxfgfgxxworldxxhffh'
d=re.findall('xx(.*?)xx',s,re.S)
結果：>>> d
['hello\n', 'world']
接下來對比findall 與search 的區別：
>>> s2='asssxxIxx123xxlovexxdh'
>>> f=re.search('xx(.*?)xx123xx(.*?)xx',s2).group(2)
>>> f
'love'
>>> f=re.search('xx(.*?)xx123xx(.*?)xx',s2).group(1)
>>> f
'I'
>>> f=re.search('xx(.*?)xx123xx(.*?)xx',s2).group(0)
>>> f
'xxIxx123xxlovexx'
>>> f=re.search('xx(.*?)xx123xx(.*?)xx',s2).group(3)
Traceback (most recent call last):
File "<pyshell#22>", line 1, in <module>
f=re.search('xx(.*?)xx123xx(.*?)xx',s2).group(3)
IndexError: no such group
而
>>> f=re.findall('xx(.*?)xxgdgxx(.*?)xx',s2)
>>> f[('I', 'love')]
接下來講解sub的使用：
ｓｕｂ的功能就是替換
>>> s='123hfhdfhdxhdhd123'
>>> output=re.sub('123(.*?)123','123789123',s)
>>> output
'123789123'
>>> output=re.sub('123(.*?)123','123%d123'%789,s)
>>> output
'123789123'
最好不要使用compile
匹配純數字的特殊方法：
\d+
>> a='dsgdgd1112255555555555hdhdgdgd'
>>> c=re.findall('(\d+)',a)
>>> c
['1112255555555555']>>> b='dghgd11111111ysdysdys2222223ddh'
>>> dc=re.findall('(\d+)',b)
>>> dc
['11111111', '2222223']