本篇內容主要講解“python中爬蟲常用到的正規表達式是什么”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“python中爬蟲常用到的正規表達式是什么”吧!

在沈河等地區，都構建了全面的區域性戰略布局，加強發展的系統性、市場前瞻性、產品創新能力，以專注、極致的服務理念，為客戶提供成都網站設計、成都做網站 網站設計制作按需策劃設計,公司網站建設,企業網站建設,品牌網站制作,營銷型網站,成都外貿網站建設,沈河網站建設費用合理。

爬蟲四個主要步驟：

? 明確目標 (要知道你準備在哪個范圍或者網站去搜索)

? 爬 (將所有的網站的內容全部爬下來)

? 取 (去掉對我們沒用處的數據)

? 處理數據(按照我們想要的方式存儲和使用)

那么在文本過濾這塊最強大的就是正則表達式，更是python爬蟲世界必不可少利器。

什么是正則表達式

正則表達式，又稱規則表達式，通常被用來檢索、替換那些符合某個模式(規則)的文本。

正則表達式是對字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個“規則字符串”，這個“規則字符串”用來表達對字符串的一種過濾邏輯。

給定一個正則表達式和另一個字符串，我們可以達到如下的目的：

? 給定的字符串是否符合正則表達式的過濾邏輯(“匹配”);

? 通過正則表達式，從文本字符串中獲取我們想要的特定部分(“過濾”)。

正則表達式匹配規則

Python 的 re 模塊

在 Python 中，我們可以使用內置的 re 模塊來使用正則表達式。

有一點需要特別注意的是，正則表達式使用 對特殊字符進行轉義，所以如果我們要使用原始字符串，只需加一個 r 前綴：

re 模塊的一般使用步驟如下：

? 使用 compile() 函數將正則表達式的字符串形式編譯為一個 Pattern 對象

? 通過 Pattern 對象提供的一系列方法對文本進行匹配查找，獲得匹配結果，一個 Match 對象。

? 最后使用 Match 對象提供的屬性和方法獲得信息，根據需要進行其他的操作

compile 函數

compile 函數用于編譯正則表達式，生成一個 Pattern 對象，它的一般使用形式如下：

import re

# 將正則表達式編譯成 Pattern 對象

pattern = re.compile(r'\d+')

在上面，我們已將一個正則表達式編譯成 Pattern 對象，接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。

Pattern 對象的一些常用方法主要有：

? match 方法：從起始位置開始查找，一次匹配

? search 方法：從任何位置開始查找，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：替換

match 方法

match

方法用于查找字符串的頭部(也可以指定起始位置)，它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果。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 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len

(字符串長度)。因此，當你不指定 pos 和 endpos 時，match 方法默認匹配字符串的頭部。

當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。

>>> import re

>>> pattern = re.compile(r'\d+') # 用于匹配至少一個數字

>>> m = pattern.match(' okk12hellohai34fine') # 查找頭部，沒有匹配

>>> print m

None

>>> m = pattern.match(' okk12hellohai34fine ', 2, 10) #

從'k'的位置開始匹配，沒有匹配

>>> print m

None

>>> m = pattern.match(' okk12hellohai34fine ', 3, 10) #

從'1'的位置開始匹配，正好匹配

>>> print m # 返回一個 Match 對象

<_sre.SRE_Match object at 0x10a42aac0>

>>> 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，當匹配成功時返回一個 Match 對象，其中：

? group([group1, …]) 方法用于獲得一個或多個分組匹配的字符串，當要獲得整個匹配的子串時，可直接使用 group() 或

group(0);

? start([group]) 方法用于獲取分組匹配的子串在整個字符串中的起始位置(子串第一個字符的索引)，參數默認值為 0;

? end([group]) 方法用于獲取分組匹配的子串在整個字符串中的結束位置(子串最后一個字符的索引+1)，參數默認值為 0;

? span([group]) 方法返回 (start(group), end(group))。

再看看一個例子：

>>> import re

>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I

表示忽略大小寫

>>> m = pattern.match('Hello World Wife Web')

>>> print m # 匹配成功，返回一個 Match 對象

<_sre.SRE_Match object at 0x10bea83e8>

>>> m.group(0) # 返回匹配成功的整個子串

'Hello World'

>>> m.span(0) # 返回匹配成功的整個子串的索引

(0, 11)

>>> m.group(1) # 返回第一個分組匹配成功的子串

'Hello'

>>> m.span(1) # 返回第一個分組匹配成功的子串的索引

(0, 5)

>>> m.group(2) # 返回第二個分組匹配成功的子串

'World'

>>> m.span(2) # 返回第二個分組匹配成功的子串

(6, 11)

>>> m.groups() # 等價于 (m.group(1), m.group(2), ...)

('Hello', 'World')

>>> m.group(3) # 不存在第三個分組

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，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，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 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len

(字符串長度)。

當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。

讓我們看看例子：

>>> import re

>>> pattern = re.compile('\d+')

>>> m = pattern.search(' okk12hellohai34fine ') # 這里如果使用 match

方法則不匹配

>>> m

<_sre.SRE_Match object at 0x10cc03ac0>

>>> m.group()

'12'

>>> m = pattern.search(' okk12hellohai34fine ', 10, 30) #

指定字符串區間

>>> m

<_sre.SRE_Match object at 0x10cc03b28>

>>> m.group()

'34'

>>> m.span()

(13, 15)

再來看一個例子：

import re

# 將正則表達式編譯成 Pattern 對象

pattern = re.compile(r'\d+')

# 使用 search() 查找匹配的子串，不存在匹配的子串時將返回 None

# 這里使用 match() 無法成功匹配

m = pattern.search('hello 123456 789')

if m:

# 使用 Match 獲得分組信息

print 'matching string:',m.group()

# 起始位置和結束位置

print 'position:',m.span()

執行結果：

matching string: 123456

position: (6, 12)

findall 方法

上面的 match 和 search

方法都是一次匹配，只要找到了一個匹配的結果就返回。然而，在大多數時候，我們需要搜索整個字符串，獲得所有匹配的結果。

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 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len

(字符串長度)。

findall 以列表形式返回全部能匹配的子串，如果沒有匹配，則返回一個空列表。

看看例子：

import re

pattern = re.compile(r'\d+') # 查找數字

result1 = pattern.findall('hello 123456 789')

result2 = pattern.findall('one1two2three3four4', 0, 10)

print result1

print result2

執行結果：

['123456', '789']

['1', '2']

finditer 方法

finditer 方法的行為跟 findall 的行為類似，也是搜索整個字符串，獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果(Match

對象)的迭代器。

split 方法

split 方法按照能夠匹配的子串將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數，不指定將全部分割。

看看例子：

import re

p = re.compile(r'[\s\,\;]+')

print p.split('a,b;; c d')

執行結果：

['a', 'b', 'c', 'd']

sub 方法

sub 方法用于替換。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個函數：

? 如果 repl 是字符串，則會使用 repl 去替換字符串每一個匹配的子串，并返回替換后的字符串，另外，repl 還可以使用 id

的形式來引用分組，但不能使用編號 0;

? 如果 repl 是函數，這個方法應當只接受一個參數(Match 對象)，并返回一個字符串用于替換(返回的字符串中不能再引用分組)。

? count 用于指定最多替換次數，不指定時全部替換。

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' 替換 'hello 123' 和 'hello

456'

print p.sub(r'\2 \1', s) # 引用分組

def func(m):

return 'hi' + ' ' + m.group(2)

print p.sub(func, s)

print p.sub(func, s, 1) # 最多替換一次

執行結果：

hello world, hello world

123 hello, 456 hello

hi 123, hi 456

hi 123, hello 456

到此，相信大家對“python中爬蟲常用到的正規表達式是什么”有了更深的了解，不妨來實際操作一番吧！這里是創新互聯網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！

當前題目：python中爬蟲常用到的正規表達式是什么
文章位置：http://vcdvsql.cn/article0/jhjdoo.html

成都網站建設公司_創新互聯，為您提供網站制作、App設計、微信公眾號、商城網站、靜態網站、軟件開發

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯