Python正則表示式--Re庫的基本使用
1 正則表示式(regular expression ,RE)
概念:正則表示式(通項公式)是用來簡潔表達一組字串的表示式。優勢是簡潔,一行勝千言。
應用:字串匹配。
1.1 正則表示式的語法
正則表示式語法由字元和操作符組成。
表1:正則表示式的常用操作符
操作符 |
說明 |
例項 |
. |
表示任何單個字元 |
|
[ ] |
字符集,對單個字元給出取值範圍 |
[ab]表示a、b,[a-z]表示a到z單個字元 |
[^ ] |
非字符集,對單個字元給出排除範圍 |
[^abc]表示非a或b或c的單個字元 |
* |
前一個字元0次或無限次擴充套件 |
abc* 表示ab、abc、abcc、abccc等 |
+ |
前一個字元1次或無限次擴充套件 |
abc+ 表示abc、abcc、abccc等 |
? |
前一個字元0次或1次擴充套件 |
abc? 表示ab、abc |
| |
左右表示式任意一個 |
abc|def 表示abc、def |
{m} |
擴充套件前一個字元m次 |
ab{2}c表示abbc |
{m,n} |
擴充套件前一個字元m至n次(含n) |
ab{1,2}c表示abc、abbc |
^ |
匹配字串開頭 |
^abc表示abc且在一個字串的開頭 |
$ |
匹配字串結尾 |
abc$表示abc且在一個字串的結尾 |
( ) |
分組標記,內部只能使用| 操作符 |
(abc)表示abc,(abc|def)表示abc、def |
\d |
數字,等價於[0‐9] |
|
\w |
單詞字元,等價於[A‐Za‐z0‐9_] |
正則表示式 對應字串
P(Y|YT|YTH|YTHO)?N 'PN'、'PYN'、'PYTN'、'PYTHN'、'PYTHON'
PYTHON+ 'PYTHON'、'PYTHONN'、'PYTHONNN' …
PY[TH]ON 'PYTON'、'PYHON'
PY[^TH]?ON 'PYON'、'PYaON'、'PYbON'、'PYcON'…
PY{:3}N 'PN'、'PYN'、'PYYN'、'PYYYN'
經典正則表示式例項^[A-Za-z]+$ #由26個字母組成的字串
^[A-Za-z0-9]+$ #由26個字母和數字組成的字串
^-?\d+$ #整數形式的字串
^[0-9]*[1-9][0-9]*$ #正整數形式的字串
[1-9]\d{5} #中國境內郵政編碼,6位
[\u4e00-\u9fa5] #匹配中文字元
\d{3}‐\d{8}|\d{4}‐\d{7} #國內電話號碼,010-68913536
例項:匹配IP地址的正則表示式 IP地址字串形式的正則表示式(IP地址分4段,每段0‐255)
\d+.\d+.\d+.\d+ 或\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3}
精確寫法0‐99: [1‐9]?\d
100‐199: 1\d{2}
200‐249: 2[0‐4]\d
250‐255: 25[0‐5]
(([1‐9]?\d|1\d{2}|2[0‐4]\d|25[0‐5]).){3}([1‐9]?\d|1\d{2}|2[0‐4]\d|25[0‐5])
2 Re庫的基本使用
Re庫是Python的標準庫,主要用於字串匹配。
呼叫方式:import re
re庫採用raw string型別表示正則表示式,表示為:r'text'
例如:r'[1‐9]\d{5}'
r'\d{3}‐\d{8}|\d{4}‐\d{7}'
raw string是不包含對轉義符再次轉義的字串。
2.1 Re庫主要功能函式
表2:Re庫主要功能函式
函式 |
說明 |
re.search() |
在一個字串中搜索匹配正則表示式的第一個位置,返回match物件 |
re.match() |
從一個字串的開始位置起匹配正則表示式,返回match物件 |
re.findall() |
搜尋字串,以列表型別返回全部能匹配的子串 |
re.split() |
將一個字串按照正則表示式匹配結果進行分割,返回列表型別 |
re.finditer() |
搜尋字串,返回一個匹配結果的迭代型別,每個迭代元素是match物件 |
re.sub() |
在一個字串中替換所有匹配正則表示式的子串,返回替換後的字串 |
re.search(pattern, string, flags=0)
∙ pattern : 正則表示式的字串或原生字串表示
∙ string : 待匹配字串
∙ flags : 正則表示式使用時的控制標記
常用標記 說明
re.I re.IGNORECASE 忽略正則表示式的大小寫,[A‐Z]能夠匹配小寫字元
re.M re.MULTILINE 正則表示式中的^操作符能夠將給定字串的每行當作匹配開始
re.S re.DOTALL 正則表示式中的.操作符能夠匹配所有字元,預設匹配除換行外的所有字元
re.sub(pattern, repl, string, count=0, flags=0)
∙ pattern : 正則表示式的字串或原生字串表示
∙ repl : 替換匹配字串的字串
∙ string : 待匹配字串
∙ count : 匹配的最大替換次數
∙ flags : 正則表示式使用時的控制標記
其他函式引數的含義基本相同,此處不再詳細介紹。
2.2 Re庫的兩種用法
2.2.1 函式式用法:一次性操作
rst = re.search(r'[1‐9]\d{5}', 'BIT 100081')
2.2.2 面向物件用法:編譯後的多次操作
編譯:將符合正則表示式語法的字串轉換成正則表示式特徵。
pat = re.compile(r'[1‐9]\d{5}')
rst = pat.search('BIT 100081')
面向物件用法:編譯後的多次操作
兩種用法等價
2.3 Re庫的Match物件
Match物件是一次匹配的結果,包含匹配的很多資訊。
Match物件的屬性和方法
屬性 |
說明 |
方法 |
說明 |
.string |
待匹配的文字 |
.group(0) |
獲得匹配後的字串 |
.re |
匹配時使用的patter物件(正則表示式) |
.start() |
匹配字串在原始字串的開始位置 |
.pos |
正則表示式搜尋文字的開始位置 |
.end() |
匹配字串在原始字串的結束位置 |
.endpos |
正則表示式搜尋文字的結束位置 |
.span() |
返回(.start(), .end()) |
2.4 Re庫的貪婪匹配和最小匹配
2.4.1 貪婪匹配
例項:
>>> match = re.search(r'PY.*N', 'PYANBNCNDN')
>>> match.group(0)
'PYANBNCNDN'
Re庫預設採用貪婪匹配,即輸出匹配最長的子串。
2.4.2 最小匹配
例項:
>>> match = re.search(r'PY.*?N', 'PYANBNCNDN')
>>> match.group(0)
'PYAN'
只要長度輸出可能不同的,都可以通過在操作符後增加?變成最小匹配。
其他操作符還包括:*?、+?、??、{m,n}?
例項:淘寶商品比價定向爬蟲
目標:獲取淘寶搜尋頁面的資訊,提取其中的商品名稱和價格
理解:
淘寶的搜尋介面
翻頁的處理
步驟1:提交商品搜尋請求,迴圈獲取頁面
步驟2:對於每個頁面,提取商品名稱和價格資訊
步驟3:將資訊輸出到螢幕上
原始碼如下所示:
import requests
import re
def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def parsePage(ilt, html):
try:
#以列表型別返回全部能匹配的子串
plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)
#正則表示式的最小匹配
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("出現異常")
def printGoodsList(ilt):
tplt = "{:4}\t{:8}\t{:16}"
print(tplt.format("序號", "價格", "商品名稱"))
count = 0
for g in ilt:
count = count + 1
print(tplt.format(count, g[0], g[1]))
def main():
goods = '水杯'
depth = 3
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)
main()
輸出結果如下圖所示: