python中爬虫常用到的正规表达式是什么

本篇内容主要讲解“python中爬虫常用到的正规表达式是什么”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“python中爬虫常用到的正规表达式是什么”吧!　　爬虫四个主要步骤：　　•
明确目标 (要知道你准备在哪个范围或者网站去搜索)　　•
爬 (将所有的网站的内容全部爬下来)　　•
取 (去掉对我们没用处的数据)　　•
处理数据(按照我们想要的方式存储和使用)　　那么在文本过滤这块最强大的就是正则表达式，更是python爬虫世界必不可少利器。　　什么是正则表达式　　正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。　　正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。　　给定一个正则表达式和另一个字符串，我们可以达到如下的目的：　　•
给定的字符串是否符合正则表达式的过滤逻辑(“匹配”);　　•
通过正则表达式，从文本字符串中获取我们想要的特定部分(“过滤”)。　　正则表达式匹配规则　　Python
的 re 模块　　在 Python
中，我们可以使用内置的 re 模块来使用正则表达式。　　有一点需要特别注意的是，正则表达式使用 对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个 r
前缀：　　re
模块的一般使用步骤如下：　　•
使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象　　•
通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。　　•
最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作　　compile
函数　　compile
函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：　　import re　　#
将正则表达式编译成 Pattern 对象　　pattern = re.compile(r’d+’)　　在上面，我们已将一个正则表达式编译成 Pattern
对象，接下来，我们就可以利用 pattern 的一系列方法对文本进行匹配查找了。　　Pattern
对象的一些常用方法主要有：　　• match
方法：从起始位置开始查找，一次匹配　　• search
方法：从任何位置开始查找，一次匹配　　• findall
方法：全部匹配，返回列表　　• finditer
方法：全部匹配，返回迭代器　　• split
方法：分割字符串，返回列表　　• sub
方法：替换　　match
方法　　match方法用于查找字符串的头部(也可以指定起始位置)，它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。它的一般使用形式如下：　　match(string[, pos[, endpos]])　　其中，string
是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len(字符串长度)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。　　当匹配成功时，返回一个 Match
对象，如果没有匹配上，则返回 None。　　>>> import re　　>>> pattern = re.compile(r’d+’) #
用于匹配至少一个数字　　>>> m = pattern.match(‘ okk12hellohai34fine’) #
查找头部，没有匹配　　>>> print m　　None　　>>> m = pattern.match(‘ okk12hellohai34fine ‘, 2, 10) #从’k’的位置开始匹配，没有匹配　　>>> print m　　None　　>>> m = pattern.match(‘ okk12hellohai34fine ‘, 3, 10) #从’1’的位置开始匹配，正好匹配　　>>> print m #
返回一个 Match 对象　　<_sre.sre_match object at>　　>>> m.group(0) #
可省略 0　　’12’　　>>> m.start(0) #
可省略 0　　3　　>>> m.end(0) #
可省略 0　　5　　>>> m.span(0) #
可省略 0　　(3, 5)　　在上面，当匹配成功时返回一个 Match
对象，其中：　　• group([group1, …])
方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或group(0);　　• start([group])
方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引)，参数默认值为 0;　　• end([group])
方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1)，参数默认值为 0;　　• span([group])
方法返回 (start(group), end(group))。　　再看看一个例子：　　>>> import re　　>>> pattern = re.compile(r'([a-z]+) ([a-z]+)’, re.I) # re.I表示忽略大小写　　>>> m = pattern.match(‘Hello World Wife Web’)　　>>> print m #
匹配成功，返回一个 Match 对象　　<_sre.sre_match object at>　　>>> m.group(0) #
返回匹配成功的整个子串　　’Hello World’　　>>> m.span(0) #
返回匹配成功的整个子串的索引　　(0, 11)　　>>> m.group(1) #
返回第一个分组匹配成功的子串　　’Hello’　　>>> m.span(1) #
返回第一个分组匹配成功的子串的索引　　(0, 5)　　>>> m.group(2) #
返回第二个分组匹配成功的子串　　’World’　　>>> m.span(2) #
返回第二个分组匹配成功的子串　　(6, 11)　　>>> m.groups() #
等价于 (m.group(1), m.group(2), …)　　(‘Hello’, ‘World’)　　>>> m.group(3) #
不存在第三个分组　　Traceback (most recent call last):File “”, line 1, in　　IndexError: no such group　　search
方法　　search
方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：　　search(string[, pos[, endpos]])　　其中，string
是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len(字符串长度)。　　当匹配成功时，返回一个 Match
对象，如果没有匹配上，则返回 None。　　让我们看看例子：　　>>> import re　　>>> pattern = re.compile(免费云主机域名‘d+’)　　>>> m = pattern.search(‘ okk12hellohai34fine ‘) #
这里如果使用 match方法则不匹配　　>>> m　　<_sre.sre_match object at>　　>>> m.group()　　’12’　　>>> m = pattern.search(‘ okk12hellohai34fine ‘, 10, 30) #指定字符串区间　　>>> m　　<_sre.sre_match object at>　　>>> m.group()　　’34’　　>>> m.span()　　(13, 15)　　再来看一个例子：　　import re　　#
将正则表达式编译成 Pattern 对象　　pattern = re.compile(r’d+’)　　#
使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None　　#
这里使用 match() 无法成功匹配　　m = pattern.search(‘hello 123456 789’)　　if m:　　#
使用 Match 获得分组信息　　print ‘matching string:’,m.group()　　#
起始位置和结束位置　　print ‘position:’,m.span()　　执行结果：　　matching string: 123456　　position: (6, 12)　　findall
方法　　上面的 match
和 search方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。　　findall
方法的使用形式如下：　　findall(string[, pos[, endpos]])　　其中，string
是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len(字符串长度)。　　findall
以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。　　看看例子：　　import re　　pattern = re.compile(r’d+’) #
查找数字　　result1 = pattern.findall(‘hello 123456 789’)　　result2 = pattern.findall(‘one1two2three3four4’, 0, 10)　　print result1　　print result2　　执行结果：　　[‘123456’, ‘789’]　　[‘1’, ‘2’]　　finditer
方法　　finditer
方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match对象)的迭代器。　　split
方法　　split
方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：　　split(string[, maxsplit])　　其中，maxsplit
用于指定最大分割次数，不指定将全部分割。　　看看例子：　　import re　　p = re.compile(r'[s,;]+’)　　print p.split(‘a,b;; c d’)　　执行结果：　　[‘a’, ‘b’, ‘c’, ‘d’]　　sub
方法　　sub
方法用于替换。它的使用形式如下：　　sub(repl, string[, count])　　其中，repl
可以是字符串也可以是一个函数：　　•
如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id的形式来引用分组，但不能使用编号 0;　　•
如果 repl 是函数，这个方法应当只接受一个参数(Match 对象)，并返回一个字符串用于替换(返回的字符串中不能再引用分组)。　　• count
用于指定最多替换次数，不指定时全部替换。　　看看例子：　　import re　　p = re.compile(r'(w+) (w+)’) # w = [A-Za-z0-9]　　s = ‘hello 123, hello 456’　　print p.sub(r’hello world’, s) #
使用 ‘hello world’ 替换 ‘hello 123’ 和 ‘hello456’　　print p.sub(r’2 1’, s) #
引用分组　　def func(m):　　return ‘hi’ + ‘ ‘ + m.group(2)　　print p.sub(func, s)　　print p.sub(func, s, 1) #
最多替换一次　　执行结果：　　hello world, hello world　　123 hello, 456 hello　　hi 123, hi 456　　hi 123, hello 456到此，相信大家对“python中爬虫常用到的正规表达式是什么”有了更深的了解，不妨来实际操作一番吧！这里是百云主机网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！

相关推荐: 开发搬家小程序的优势有哪些

这篇文章将为大家详细讲解有关开发搬家小程序的优势有哪些，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。1.微信裂变，好友推荐 基本具有搬家需求的用户，往往会更偏向亲朋好友直接的好友推荐，而微信中可以与小程序具有一定的互通性，能…