正则表达式是对字符串操作的一种逻辑公式,通过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”,使用这个“规则字符”来表达对字符的一种过滤逻辑
1、常见匹配模式
- w:匹配字母数字及下划线
- W:匹配非字母数字下划线
- s:匹配任意空白字符,等价于 [tnrf]
- S:匹配任意非空字符
- d:匹配任意数字,等价于 [0-9]
- D:匹配任意非数字
- A:匹配字符串开始
- Z:匹配字符串结束,如果是存在换行,只匹配到换行前的结束字符串
- z:匹配字符串结束
- G:匹配最后匹配完成的位置
- n:匹配一个换行符
- t:匹配一个制表符
- ^:匹配字符串的开头
- $:匹配字符串的末尾
- . :匹配任意字符,除了换行符,当re.DOTALL标记被指定时,则可以匹配包括换行符的任意字符
- [...] :用来表示一组字符,单独列出([amk]匹配'a','m'或'k')
- [^...] :不在[]中的字符([^abc]匹配除了a,b,c之外的字符)
- * :匹配0个或多个的表达式
- + :匹配1个或多个的表达式
- ?:匹配0个或1个由前面的正则表达式定义的片段,非贪婪方式
- {n} :精确匹配n个前面表达式
- {n,m} :匹配n到m次由前面的正则表达式定义的片段,贪婪方式
- a|b :匹配a或b
- () :匹配括号内的表达式,也表示一个组
2、re.match
尝试从字符串的起始位置匹配一个模式,如果不是起始位置匹配的话,match()就会返回None
import
- 最常规的匹配
#常规匹配
- 泛匹配
#泛匹配
- 匹配目标
#匹配目标
- 贪婪匹配
#贪婪匹配(.*匹配尽可能多的字符)
- 非贪婪匹配
#非贪婪匹配(.*?匹配尽可能少的字符)
- 指定匹配模式
#当re.DOTALL标记被指定时,则可以匹配包括换行符的任意字符
- 转义
content3
总结:
尽量使用泛匹配,使用括号得到匹配目标,尽量使用非贪婪模式,有换行符就用re.S
3、re.search
扫描整个字符串返回第一个成功匹配的结果
import
总结:
为匹配方便,能用search就不用match
4、re.findall
搜索字符串,以列表的形式返回全部能匹配的子串
import
5、re.sub
替换字符串中每一个匹配的子串后返回替换后的字符串
import
这里需要注意的一个问题是1是获取第一个匹配的结果,为了防止转义字符的问题,我们需要在前面加上r
6、re.compile
将正则表达式编译成正则表达式对象,方便复用该正则表达式
import
7、爬取豆瓣读书页面的书籍信息
import
随着网页结构的升级,上述代码可能需要做出相应的调整
#2019.10.12测试运行通过