python爬虫——正则表达式

非凡

正则表达式(regular expression)是一种字符串匹配模式或者规则，它可以用来检索、替换那些符合特定规则的文本。
说直白一点正则标答式可以理解为，我们在一串字符串里，通过设置一定的格式来匹配到我想要的内容
举个简单的例子，我从一个同学的自我介绍里，要获取到名字、年龄、年纪、爱好等信息。

1. #引入re模块
   
2. import re
   
3. 
   
4. brie = '''大家好!我叫高文烨，8岁，我是中心小学三年级的学生。我的爱好广泛，跳舞、唱歌、运动 都是我喜欢的项目，但我最喜欢看书，是个小书迷。
   
5. '''
   
6. 
   
7. # 定义一个正则表达式去匹配，获取自己想要的信息。(.*?)所在的位置就是我们想要的内容。
   
8. #可以这样理解下面这正则表达式“我叫”的后面接的是姓名所以我们要把“我叫”后面到“，”的内容截取出来。后面会详细介绍(.*?)的作用。
   
9. pat = '大家好!我叫(.*?)，(.*?)，我是(.*?)的学生。我的爱好(.*?) 都是我喜欢的项目.'
   
10. 
    
11. #创建正则表达式对象
    
12. pattern = re.compile(pat)
    
13. #将正则表达式去匹配brie元素，提取想要信息
    
14. re_list = pattern.findall(brie)
    
15. 
    
16. print(re_list)
    
17. 
    
18. [('高文烨', '8岁', '中心小学三年级', '广泛，跳舞、唱歌、运动')]
    

复制代码

一条正则表达式在一串字符里，是通过遍历方式去匹配所有内容的。假设所有人的自我介绍都是用同样的格式去介绍自己，就可以将所有人的自我介绍关键信息截取出来。

1. #引入re模块
   
2. import re
   
3. 
   
4. brie = '''
   
5. 大家好!我叫高文烨，8岁，我是中心小学三年级的学生。我的爱好广泛，跳舞、唱歌、运动 都是我喜欢的项目。
   
6. 大家好!我叫高伟，6岁，我是中心小学三年级的学生。我的爱好广泛，篮球、散步、跳 都是我喜欢的项目，但我最喜欢看书，是个小书迷。
   
7. 大家好!我叫高文，7岁，我是中心小学三年级的学生。我的爱好广泛，跳舞、唱、上网 都是我喜欢的项目，但我最喜欢看书，是个小书迷。
   
8. 大家好!我叫高烨，5岁，我是中心小学三年级的学生。我的爱好广泛，舞、唱歌 都是我喜欢的项目，但我最喜欢看书，是个小书迷。
   
9. 大家好!我叫文烨，8岁，我是中心小学三年级的学生。我的爱好广泛，跳、运动 都是我喜欢的项目，但我最喜欢看书，是个小书迷。
   
10. 大家好!我叫叶烨，8岁，我是中心小学三年级的学生。我的爱好广泛，、歌、游戏 都是我喜欢的项目，但我最喜欢看书，是个小书迷。
    
11. '''
    
12. 
    
13. # 定义一个正则表达式去匹配，获取自己想要的信息
    
14. pat = '大家好!我叫(.*?)，(.*?)，我是(.*?)的学生。我的爱好(.*?) 都是我喜欢的项目'
    
15. 
    
16. #创建正则表达式对象
    
17. pattern = re.compile(pat)
    
18. #将正则表达式去匹配brie元素，提取想要信息
    
19. re_list = pattern.findall(brie)
    
20. 
    
21. print(re_list)

复制代码

每个人的信息将会以元组的形式，一起存放到一个列表中

1. [('高文烨', '8岁', '中心小学三年级', '广泛，跳舞、唱歌、运动'), ('高伟', '6岁', '中心小学三年级', '广泛，篮球、散步、跳'), ('高文', '7岁', '中心小学三年级', '广泛，跳舞、唱、上网'), ('高烨', '5岁', '中心小学三年级', '广泛，舞、唱歌'), ('文烨', '8岁', '中心小学三年级', '广泛，跳、运动'), ('叶烨', '8岁', '中心小学三年级', '广泛，、歌、游戏')]

复制代码

网页中，相同的类型的内容，都是以统一的格式存在网页上的
例如电影天堂网里


上面知道了正则表达式的用法，现在来看看正则表达式里各种字符用法。
正则表达式元字符
1) 元字符
正则表表达式元字符

元字符	匹配内容
a, X, 9, <	普通字符完全匹配。
.	匹配除换行符以外的任意字符
\w	匹配所有普通字符(数字、字母或下划线)[A-Za-z0-9_]
\s	匹配任意的空白符[\t\r\n\f]
\d	匹配数字[0-9]
\n	匹配一个换行符
\t	匹配一个制表符
\b	匹配一个单词的结尾
^	匹配字符串的开始位置.例如：^Python  在字符串或内部行的开头匹配“Python”
$	匹配字符串的结尾位置。例如：Python$ 在字符串或内部行的结尾匹配“Python”
\W	匹配非字母或数字或下划线[A-Za-z0-9_]
\D	匹配非数字[^0-9]
\S	匹配非空白符[^\t\r\n\f]
a|b	匹配字符 a 或字符 b
()	正则表达式分组所用符号，匹配括号内的表达式，表示一个组。
[...]	匹配字符组中的字符
[^...]	匹配除了字符组中字符的所有字符

2) 量词

正则表达式量词

量词	用法说明
*	重复零次或者更多次。例如：ruby* 匹配“rub”加上0个以上的y
+	重复一次或者更多次。例如：ruby+ 匹配“rub”加上1个或更多的y
？	重复0次或者一次。例如：ruby? 匹配“rub”或“ruby”：y是可选的
{n}	重复n次。例如：\d{3} 完全匹配3位数
{n,}	重复n次或者更多次。例如：\d{3,} 匹配3位或更多位数字
{n,m}	重复n到m次。例如：\d{3,5} 匹配3，4或5位数

3) 字符组
有时也会出现各种字符组成的字符组，这在正则表达式中使用[]表示，如下所示：

正则表达式字符组

正则	待匹配字符	匹配结果	说明
[0123456789]	8	True	在一个字符组里枚举所有字符，字符组里的任意一个字符和"待匹配字符"相同都视为可以匹配。
[0123456789]	a	False	由于字符组中没有 "a" 字符，所以不能匹配。
[0-9]	7	True	也可以用-表示范围，[0-9] 就和 [0123456789] 是一个意思。
[a-z]	s	True	同样的如果要匹配所有的小写字母，直接用 [a-z] 就可以表示。
[A-Z]	B	True	[A-Z] 就表示所有的大写字母。
[0-9a-fA-F]	e	True	可以匹配数字，大小写形式的 a～f，用来验证十六进制字符。
[Pp]ython	Python	True	匹配“Python”或“python”
rub[ye]	ruby	True	匹配“ruby”或“rube”
[^0-9]	7	False	匹配数字以外的任何东西

贪婪模式非贪婪模式
正则表达式默认为贪婪匹配，也就是尽可能多的向后匹配字符，比如 {n,m} 表示匹配前面的内容出现 n 到 m 次（n 小于 m），在贪婪模式下，首先以匹配 m 次为目标，而在非贪婪模式是尽可能少的向后匹配内容，也就是说匹配 n 次即可。

贪婪模式转换为非贪婪模式的方法很简单，在元字符后添加“?”即可实现，如下所示：

非贪婪模式

元字符(贪婪模式)	非贪婪模式
*	*?
+	+？
？	??
{n,m}	{n,m}？

正则表达式转义
如果使用正则表达式匹配特殊字符时，则需要在字符前加\表示转意。常见的特殊字符如下：

1. * + ? ^ $ [] () {} | \
   

复制代码

一只小肥仔丶

可邢