Python爬虫学习必备知识点：正则表达式模块详解

一、基础语法总结

1.1、匹配单个字符

a . d D w W s S [...] [^...]

匹配单个字符（.）

规则：匹配除换行之外的任意字符

In [24]: re.findall("f.o","foo is not fao")

Out[24]: ['foo', 'fao']

匹配任意（非）数字字符（d D）

d [0-9]

D [^0-9]

匹配任意（非）普通字符（w W）

w 普通字符 包括[_0-9A-Za-z] 同时也包括汉字

W 非普通字符

匹配任意（非）空字符（s S）

s 匹配任意空字符 [

]

S 匹配任意非空字符

匹配字符集合（[...]）

[A-Z][a-z][0-9][_123a-z]

匹配字符集（[^...]）

规则：字符集取非，除列出的字符之外的任意一个字符

[^abc] --> 除a b c之外任意字符

1.2、匹配多个字符

* 匹配0次或者多次

+ 匹配1次或者多次

? 匹配0次或者1次

匹配m次

匹配m次到n次区间内的任意一次

1.3、匹配位置

^ 匹配开始位置

$ 匹配结束位置

A 匹配开始位置

Z 匹配结束位置

匹配单词边界位置（一般用于首字母大写的匹配）

B 匹配非单词边界问题

1.4、转义

在正则表达式中有一类特殊字符需要转移，只需要在特殊字符之间加上 表示转移即可

. * + ? ^ $ [] {} () |

1.5、子组

使用() 可以为正则表达式建立内部分组，子组为正则表达式的一部分，可以看做一个内部整体。

In [61]: re.search(r"(https|http|ftp)://w+.w+.(com|cn)","https://www.baidu.com").group(0)

Out[61]: 'https://www.baidu.com'

In [62]: re.search(r"(https|http|ftp)://w+.w+.(com|cn)","https://www.baidu.com").group(1)

Out[62]: 'https'

1.6、贪婪模式和非贪婪模式

正则表达式的重复匹配总是尽可能多的向后匹配更多的内容。 贪婪模式包括：* + ?

非贪婪模式：尽可能少的匹配内容 贪婪模式转换为非贪婪模式：*? +? ?? ?

In [106]: re.findall(r"ab+?","abbbbbbbb")

Out[106]: ['ab']

In [107]: re.findall(r"ab??","abbbbbbbb")

Out[107]: ['a']

二、Re模块

接下来我所有函数里面的参数解释如下：

pattern：正则表达式

string：目标字符串

pos：截取目标字符串起始位置

endpose：截取目标字符串结束位置

flags:功能标志

replaceStr：替换的字符串

max：最多替换几处（默认替换全部）

有上图我们看出来，接下来我们要将的Python中re模块、regex对象、match对象三者之间是存在一定关系的。

1、re模块的compile方法返回一个regex对象

2、re模块和regex对象的finditer()、fullmatch()、match()、search()等方法返回一个match对象

3、他们分别有自己的属性和方法

2.1、compile

regex = re.compile(pattern, flags = 0) # 生成正则表达式对象

2.2、findall

re.findall(pattern,string,pos,endpose) # 从目标字符串中匹配所有符合条件的内容

2.3、split

re.split(pattern,string,flags) #根据正则表达式对目标字符串进行分割

In [79]: re.split(r's+',"Hello World")

Out[79]: ['Hello', 'World']

2.4、sub

re.sub(pattern,replaceStr,string,max,flags)

In [80]: re.sub(r's+',"##","hello world")

Out[80]: 'hello##world'

2.5、subn

re.subn(pattern,replaceStr,string,max,flags) #功能同sub，但是返回值返回替换后的字符串和替换了几处

In [80]: re.sub(r's+',"##","hello world")

Out[80]: ('hello##world',1)

2.6、finditer

re.finditer(pattern,string) #使用正则表达式匹配目标字符串，返回一个match对象，match对象调用group()之后才能拿到值

In [87]: it = re.finditer(r'd+',"2014nianshiqiqngduo 08aoyun 512dizhen")

In [88]: for i in it:

....: print(i)

....:

In [93]: it = re.finditer(r'd+',"2014nianshiqiqngduo 08aoyun 512dizhen")

In [94]: for i in it:

....: print(i.group())

....:

2014

08

512

2.7、fullmatch

fullmatch(pattern,string,flags) #完全匹配目标字符串，相当于加了^ 和 $

2.8、match

re.match(pattern,string,flags) #匹配目标字符串开头的位置

2.9、search

re.search(pattern,string,flags) # 正则表达式匹配目标字符串，只匹配第一处

三、一些练习题

3.1、匹配首字母大写的单词

import re

f = open('test.txt')

pattern= r'[A-Z][a-zA-Z]*s*'

# pattern= r'[A-Z]S'

L = []

for i in f:

L += re.findall(pattern,i)

print(L)

test.txt文档内容如下：

Hello World -12.6

Nihao 123

How are you -12

1.24

asdk 34%,

占比 1/2

2003 - 2005./%

3.2、匹配数字（正数、负数、小数、百分数、分数）

import re

pattern = "-?d+((/?d+)|((.)?d+)|((%)?))"

f = open('test.txt')

l = []

for line in f:

l += re.finditer(pattern,line)

for i in l:

print(i.group())