爬虫学习----正则表达式

1.

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤是：

Step1：先将正则表达式的字符串形式编译为Pattern实例。

Step2：然后使用Pattern实例处理文本并获得匹配结果（一个Match实例）。

Step3：最后使用Match实例获得信息，进行其他的操作。

# -*- coding: utf-8 -*-
#一个简单的re实例，匹配字符串中的hello字符串

#导入re模块
import re

# 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”
pattern = re.compile(r'hello')

# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match1 = pattern.match('hello world!')
match2 = pattern.match('helloo world!')
match3 = pattern.match('helllo world!')

#如果match1匹配成功
if match1:
# 使用Match获得分组信息
print (match1.group())
else:
print ('match1匹配失败！')

#如果match2匹配成功
if match2:
# 使用Match获得分组信息
print (match2.group())
else:
print ('match2匹配失败！')

#如果match3匹配成功
if match3:
# 使用Match获得分组信息
print (match3.group())
else:
print ('match3匹配失败！')

 

 

 

2.

•  re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
•    re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
•     re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为
•     re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
•     re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
•     re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

3.

# -*- coding: utf-8 -*-
#两个等价的re匹配,匹配一个小数
import re

a = re.compile(r"""\d + # the integral part
\. # the decimal point
\d * # some fractional digits""", re.X)

b = re.compile(r"\d+\.\d*")

match11 = a.match('3.1415')
match12 = a.match('33.')
match21 = b.match('3.1415')
match22 = b.match('.33')

if match11:
# 使用Match获得分组信息
print (match11.group())
else:
print (u'match11不是小数')

if match12:
# 使用Match获得分组信息
print (match12.group())
else:
print (u'match12不是小数')

if match21:
# 使用Match获得分组信息
print (match21.group())
else:
print (u'match21不是小数')

if match22:
# 使用Match获得分组信息
print (match22.group())
else:
print (u'match22不是小数')

 

以上两种写法一致，其实采用2中的方法

 

4.

1中的程序可以简写成：

# -*- coding: utf-8 -*-
#一个简单的re实例，匹配字符串中的hello字符串
import re

m = re.match(r'hello', 'hello world!')
print m.group()

 

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回

 

 

 

5.Match方法对象详解

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

1. string: 匹配时使用的文本。
2. re: 匹配时使用的Pattern对象。
3. pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4. endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5. lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
6. lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

1. group([group1, …])：
   获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
2. groups([default])： 
   以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
3. groupdict([default])：
   返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
4. start([group])： 
   返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
5. end([group])：
   返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
6. span([group])：
   返回(start(group), end(group))。
7. expand(template)： 
   将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

8. # -*- coding: utf-8 -*-
   #一个简单的match实例

   import re
   # 匹配如下内容：单词+空格+单词+任意字符
   m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')

   print "m.string:", m.string
   print "m.re:", m.re
   print "m.pos:", m.pos
   print "m.endpos:", m.endpos
   print "m.lastindex:", m.lastindex
   print "m.lastgroup:", m.lastgroup

   print "m.group():", m.group()
   print "m.group(1,2):", m.group(1, 2)
   print "m.groups():", m.groups()
   print "m.groupdict():", m.groupdict()
   print "m.start(2):", m.start(2)
   print "m.end(2):", m.end(2)
   print "m.span(2):", m.span(2)
   print r"m.expand(r'\g<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')
   
   ### output ###
   # m.string: hello world!
   # m.re: <_sre.SRE_Pattern object at 0x016E1A38>
   # m.pos: 0
   # m.endpos: 12
   # m.lastindex: 3
   # m.lastgroup: sign
   # m.group(1,2): ('hello', 'world')
   # m.groups(): ('hello', 'world', '!')
   # m.groupdict(): {'sign': '!'}
   # m.start(2): 6
   # m.end(2): 11
   # m.span(2): (6, 11)
   # m.expand(r'\2 \1\3'): world hello!