java 正则查找全部 java正则匹配所有字符串

说明

爬虫一共就四个主要步骤： 

• 明确目标 (要知道你准备在哪个范围或者网站去搜索) 
• 爬 (将所有的网站的内容全部爬下来) 
• 取 (去掉对我们没用处的数据) 
• 处理数据(按照我们想要的方式存储和使用) 

对于爬取的网页数据实际中往往和复杂，很多数据都是无用的数据，这时候就需要过滤掉这些无用的数据，将需要的数据匹配处理，最强大的就是正则表达式，是Python爬虫世界里必不可少的神兵利器。

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。正则表达式是对字符串操作的一种逻辑公式，就是用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“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

• 给定的字符串是否符合正则表达式的过滤逻辑(“匹配”)；
• 通过正则表达式，从文本字符串中获取我们想要的特定部分(“过滤”)。

正则表达式匹配规则

re 模块

re模块是python的内置模块来使用正则表达式。 

注意：正则表达式使用 对特殊字符进行转义，在使用原始字符串，只需加一个 r 前缀，示例：

r'chuayjgiboke\t\.\tpython'

re 模块的一般使用步骤： 

首先，使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象 

其次，通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。 

最后，使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，一般使用形式如下：

import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')

在上面，已将一个正则表达式编译成 Pattern 对象，接下来，就可以利用 pattern 的一系列方法对文本进行匹配查找了。 

Pattern 对象的常用方法如下

match 方法：从起始位置开始查找，一次匹配 

search 方法：从任何位置开始查找，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：替换

match 方法

match 方法用于查找字符串的头部(也可以指定起始位置)，它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。

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 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

# coding=utf-8import re
pattern = re.compile(r'\d+') # 用于匹配至少一个数字m = pattern.match('one12twothree34four') # 查找头部，没有匹配print m
m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配print m
m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配print m # 返回一个 Match 对象print m.group(0)# 可省略 0print m.start(0)# 可省略 0print m.end(0)# 可省略 0print m.span(0)# 可省略 0

运行：

None
None
<_sre>.SRE_Match object at 0x0000000002A491D0>
12
3
5
(3, 5)

在上面，当匹配成功时返回一个 Match 对象，其中： 

• group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 
• group(0)；start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置(子串第一个字符的索引)，参数默认值为 0； 
• end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置(子串最后一个字符的索引+1)，参数默认值为 0； 
• span([group]) 方法返回 (start(group), end(group))。

再如：

# coding=utf-8import re
pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写m = pattern.match('Hello World Wide Web')print m # 匹配成功，返回一个 Match 对象print m.group(0) # 返回匹配成功的整个子串print m.span(0) # 返回匹配成功的整个子串的索引print m.group(1) # 返回第一个分组匹配成功的子串print m.span(1) # 返回第一个分组匹配成功的子串的索引print m.group(2) # 返回第二个分组匹配成功的子串print m.span(2) # 返回第二个分组匹配成功的子串print m.groups() # 等价于 (m.group(1), m.group(2), ...)# print m.group(3) # 不存在第三个分组

运行：

<_sre.sre_match>object at 0x0000000002B4F470>Hello World
(0, 11)Hello
(0, 5)World
(6, 11)
('Hello', 'World')

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，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果

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 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。 

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

如：

# coding=utf-8import re
pattern = re.compile('\d+')
m = pattern.search('loaderman122twothree343four') # 这里如果使用 match 方法则不匹配print mprint m.group()print pattern.search('loaderman122twothree343four', 10, 30) # 指定字符串区间print m.group()print m.span()

运行：

<_sre.sre_match>object at 0x00000000037891D0>122<_sre.sre_match>object at 0x0000000003789238>122
(9, 12)

再如：

# -*- coding: utf-8 -*-import re# 将正则表达式编译成 Pattern 对象pattern = re.compile(r'\d+')# 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None# 这里使用 match() 无法成功匹配m = pattern.search('loaderman 64123341 864')if m:# 使用 Match 获得分组信息    print 'matching string:',m.group()# 起始位置和结束位置    print 'position:',m.span()

执行：

matching string: 64123341
position: (10, 18)
matching string: 64123341
position: (10, 18)

findall 方法

match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，需要搜索整个字符串，获得所有匹配的结果。 

使用形式如下： 

findall(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。 

示例：

import re
pattern = re.compile(r'\d+') # 查找数字

result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)

print result1
print result2

运行结果：

['123456', '789']
['1', '2']

再如：

# re_test.py

import re

#re模块提供一个方法叫compile模块，提供我们输入一个匹配的规则
#然后返回一个pattern实例，我们根据这个规则去匹配字符串
pattern = re.compile(r'\d+\.\d*')

#通过partten.findall()方法就能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

#findall 以 列表形式 返回全部能匹配的子串给result
for item in result:
    print item

运行结果：

123.141593
3.15

finditer 方法

finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果(Match 对象)的迭代器。 

如：

# -*- coding: utf-8 -*-import re
pattern = re.compile(r'\d+')
result1 = pattern.finditer('loaderman 6844321 123')
result2 = pattern.finditer('hello1two2three3four4', 0, 10)print type(result1)print type(result2)print '返回1...'for m1 in result1: # m1 是 Match 对象    print '匹配 字符串: {}, 索引值: {}'.format(m1.group(), m1.span())print '返回2...'for m2 in result2:print '匹配 字符串: {}, 索引值: {}'.format(m2.group(), m2.span())




执行结果：

<type 'callable-iterator'>

<type 'callable-iterator'>

返回1...

匹配 字符串: 6844321, 索引值: (10, 17)

匹配 字符串: 123, 索引值: (18, 21)

返回2...

匹配 字符串: 1, 索引值: (5, 6)

匹配 字符串: 2, 索引值: (9, 10)
<type 'callable-iterator'>

<type 'callable-iterator'>

返回1...

匹配 字符串: 6844321, 索引值: (10, 17)

匹配 字符串: 123, 索引值: (18, 21)

返回2...

匹配 字符串: 1, 索引值: (5, 6)

匹配 字符串: 2, 索引值: (9, 10)

split 方法

split 方法按照能够匹配的子串将字符串分割后返回列表

形式如下： 

split(string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

如：

import re
p = re.compile(r'[\s\,\;]+')
print p.split('a,b;; c d')

执行结果：

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

sub 方法

sub方法用于替换，使用形式如下： 

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数： 

• 如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0； 
• 如果 repl 是函数，这个方法应当只接受一个参数(Match 对象)，并返回一个字符串用于替换(返回的字符串中不能再引用分组)。 
• count 用于指定最多替换次数，不指定时全部替换。

如：

import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hi 123, hi 456'

print p.sub(r'hi world', s) # 使用 'hi world' 替换 'hi 123' 和 'hello 456'
print p.sub(r'\2 \1', s) # 引用分组

def func(m):
    return 'hei' + ' ' + m.group(2)

print p.sub(func, s)
print p.sub(func, s, 1) # 最多替换一次

执行结果：

hi world, hi world
123 hi, 456 hi
hei 123, hei 456
hei 123, hello 456

匹配中文

在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的 unicode 编码范围 主要在 [u4e00-u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角(中文)标点，不过，在大部分情况下，应该是够用的。

假设现在想把字符串 title = u'你好，hello，世界' 中的中文提取出来，可以这么做：

import re

title = u'你好，hello，世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)

print result

注意到，我们在正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。执行结果:

[u'\u4f60\u597d', u'\u4e16\u754c']

贪婪模式与非贪婪模式

贪婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )； 

非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )； 

Python里数量词默认是贪婪的。

示例一 ：源字符串：dqqqe 

• 使用贪婪的数量词的正则表达式 dq* ，匹配结果： dqqq。 

        * 决定了尽可能多匹配 q，所以a后面所有的 q 都出现了。 

• 使用非贪婪的数量词的正则表达式dq*?，匹配结果： d。 

        * 即使前面有 *，但是 ? 决定了尽可能少匹配 q，所以没有 q。

示例二 ：源字符串：dd

test1

ee

test2

ff

• 使用贪婪的数量词的正则表达式： .*
• 匹配结果： demo1 ee demo2 这里采用的是贪婪模式。在匹配到第一个“

”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。

匹配到第二个“ ”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为“

demo1

ee

demo2

” 

• 使用非贪婪的数量词的正则表达式： .*?
• 匹配结果： de m o1

”时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为“