1.正则表达式
正则表达式是用来匹配与查找字符串的,从网上爬取数据自然或多或少会用到正则表达式,python的正则表达式要先引入re模块,正则表达式以r引导,例如:
其中**r“\d+”**正则表达式表示匹配连续的多个数值,search是re中的函数,从"abc123cd"字符串中搜索连续的数值,得到"123",返回一个匹配对象,结果如上.
import re
reg = r"\d+"
m = re.search(reg, "abc123cd")
print(m)
2.字符串"\d"匹配0~9之间的一个数值
import re
reg = r"\d"
m = re.search(reg, "abc123cd")
print(m)
3.字符"+“重复前面一个匹配字符一次或者多次.
注意:**r"b\d+”**第一个字符要匹配"b",后面是连续的多个数字,因此"是b1233",不是"a12".
import re
reg = r"b\d+"
m = re.search(reg, "a12b1233cd")
print(m)
4.字符"*“重复前面一个匹配字符零次或者多次.
“” 与 "+"类似,但有区别,列如:
可见 r"ab+“匹配的是"ab”,但是r"ab “匹配的是"a”,因为表示"b"可以重复零次,但是”+“却要求"b"重复一次以上.
import re
reg = r"ab+"
m = re.search(reg, "acabc")
print(m)
reg = r"ab*"
m = re.search(reg, "acabc")
print(m)
5.字符"?"重复前面一个匹配字符零次或者一次.
匹配结果"ab”,重复b一次.
import re
reg = r"ab?"
m = re.search(reg, "abbcabc")
print(m)
6.字符".“代表任何一个字符,但是没有特别声明时不代表字符”\n".
结果“.”代表了字符"x".
import re
s = "xaxby"
m = re.search(r"x.y", s)
print(m)
7."|"代表把左右分成两个部分 .
结果匹配"ab"或者"ba"都可以.
import re
s = "xaabababy"
m = re.search(r"ab|ba", s)
print(m)
8.特殊字符使用反斜杠"“引导,例如”\r"、“\n”、“\t”、""分别表示回车、换行、制表符号与反斜线自己本身.
import re
reg = r"a\nb"
m = re.search(reg, "ca\nbcaba")
print(m)
9.字符"\b"表示单词结尾,单词结尾包括各种空白字符或者字符串结尾.
结果匹配"car",因为"car"后面是一个空格.
import re
reg = r"car\b"
m = re.search(reg, "this car is black")
print(m)
10.“[]中的字符是任选择一个,如果字符ASCll码中连续的一组,那么可以使用”-"字符连接,例如[0-9]表示0-9的其中一个数字,
[A-Z]表示A-Z的其中一个大写字符,[0-9A-z]表示0-9的其中一个数字或者A-z的其中一个大写字符.
import
reg = r"x[0-9]y"
m = re.search(reg, "xyx2y")
print(m)
11."^"出现在[]的第一个字符位置,就代表取反,例如[ ^ab0-9]表示不是a、b,也不是0-9的数字.
import re
reg = r"x[^ab0-9]y"
m = re.search(reg, "xayx2yxcy")
print(m)
12.“\s"匹配任何空白字符,等价”[\r\n\x20\t\f\v]"
import re
s = "la ba\tbxy"
res = r"a\sb"
m = re.search(res, s)
print(m)
13.“\w"匹配包括下划线子内的单词字符,等价于”[a-zA-Z0-9]"
import re
s = "Python is easy"
res = r"\w+"
m = re.search(res, s)
print(m)
14.“$“字符比配字符串的结尾位置
匹配结果是最后一个"ab”,而不是第一个"ab”
import re
s = "abcab"
res = r"ab$"
m = re.search(res, s)
print(m)
15.使用括号(…)可以把(…)看出一个整体,经常与"+“、”*“、”?“的连续使用,对(…)部分进行重复.
结果匹配"abab”,"+“对"ab"进行了重复
import re
res = r"(ab)+"
m = re.search(res, "ababcab")
print(m)