原创 Python爬虫学习笔记（6）——正则表达式

（一）正则表达式：

通用的字符串表达框架；

简洁表达一组字符串的表达式；

针对字符串表达“简洁”和“特征”思想的工具；

判断某字符串的特征归属；

正则表达式在文本中的常见作用：

1. 表达文本类型的特征（病毒）；
2. 同时查找或替换一组字符串；
3. 匹配字符串的全部或部分；

正则表达式的使用：

编译：将符合正则表达式语法的字符串转换成正则表达式特征。

（二）正则表达式的语法

（三）正则常用的操作符

（四）正则表达式实例

（五）re库的主要功能函数

正则表达式的表示类型

（1）raw string 类型（原生字符串类型）

re库采用raw string类型表示正则表达式，表示为 r’text’。

例如：大陆地区的邮政编码: r’[1-9]\d{5}’

       国内的电话号码： r’\d{3}-\d{8}|\d{4}-\d{7}’

   原生字符串类型是不包含转义符的字符串。

(2)string 类型，更加繁琐

    例如’[1-9]\\d{5}’

                  ’\\d{3}-\\d{8}|\\d{4}-\\d{7}’

所以当正则表达式包含转义字符时，使用raw string 。

1、re.search(pattern,string,flags=0)

在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象。

pattern:正则表达式的字符串或原生字符串的表示;

string:带匹配字符串；

flags:正则表达式使用时的控制标记；

代码

2、re.match(pattern,string,flags=0)
从一个字符串的开始位置起匹配正则表达式，返回match对象

3、re.findall(pattern,string,flags=0)

搜索字符串，以列表类型返回全部能匹配的子串。

4、re.split(pattern,string,maxsplit=0,flags=0)

将一个字符串按照正则表达式匹配结果进行分割，返回列表类型。

maxsplit:最大分割数，剩余部分作为最后一个元素输出。

5、re.finditer(pattern,string,flags=0)

搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象。

6、re.sub(pattern,repl,string,count=0,flags=0)

在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串。

Pattern:正则表达式的字符串或原生字符串表示；

Repl: 替换匹配字符串的字符串；

String:待匹配的字符串；

Count:匹配的最大替换数；

（六）re库的另一种用法

（七）match对象

1、match对象的属性

2、match对象的方法

（八）re库的贪婪匹配和最小匹配

Re库默认采用贪婪匹配，即输出匹配最长的字符串。

1、最小匹配操作符

​​