[Python]网络爬虫（七）：Python中的正则表达式教程
但是在這之前，先詳細的整理一下Python中的正則表達式的相關內容。
正則表達式在Python爬蟲中的作用就像是老師點名時用的花名冊一樣，是必不可少的神兵利器。
以下內容轉自CNBLOG：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
整理時沒有注意，實在抱歉。
一、 正則表達式基礎
1.1.概念介紹正則表達式是用于處理字符串的強大工具，它并不是Python的一部分。
其他編程語言中也有正則表達式的概念，區別只在于不同的編程語言實現支持的語法數量不同。
它擁有自己獨特的語法以及一個獨立的處理引擎，在提供了正則表達式的語言里，正則表達式的語法都是一樣的。
下圖展示了使用正則表達式進行匹配的流程：
正則表達式的大致匹配過程是：
1.依次拿出表達式和文本中的字符比較，
2.如果每一個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。
3.如果表達式中有量詞或邊界，這個過程會稍微有一些不同。
下圖列出了Python支持的正則表達式元字符和語法：???
1.2. 數量詞的貪婪模式與非貪婪模式
正則表達式通常用于在文本中查找匹配的字符串。
貪婪模式，總是嘗試匹配盡可能多的字符；
非貪婪模式則相反，總是嘗試匹配盡可能少的字符。
Python里數量詞默認是貪婪的。
例如：正則表達式"ab*"如果用于查找"abbbc"，將找到"abbb"。
而如果使用非貪婪的數量詞"ab*?"，將找到"a"。
1.3. 反斜杠的問題
與大多數編程語言相同，正則表達式里使用"\"作為轉義字符，這就可能造成反斜杠困擾。
假如你需要匹配文本中的字符"\"，那么使用編程語言表示的正則表達式里將需要4個反斜杠"\\\\"：
第一個和第三個用于在編程語言里將第二個和第四個轉義成反斜杠，
轉換成兩個反斜杠\\后再在正則表達式里轉義成一個反斜杠用來匹配反斜杠\。
這樣顯然是非常麻煩的。
Python里的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用r"\\"表示。
同樣，匹配一個數字的"\\d"可以寫成r"\d"。
有了原生字符串，媽媽再也不用擔心我的反斜杠問題~
二、?介紹re模塊
2.1.??Compile
Python通過re模塊提供對正則表達式的支持。
使用re的一般步驟是：
Step1：先將正則表達式的字符串形式編譯為Pattern實例。
Step2：然后使用Pattern實例處理文本并獲得匹配結果（一個Match實例）。
Step3：最后使用Match實例獲得信息，進行其他的操作。
我們新建一個re01.py來試驗一下re的應用：[python]?view plaincopy
可以看到控制臺輸出了匹配的三個結果：
下面來具體看看代碼中的關鍵方法。
★ re.compile(strPattern[, flag]):
這個方法是Pattern類的工廠方法，用于將字符串形式的正則表達式編譯為Pattern對象。
第二個參數flag是匹配模式，取值可以使用按位或運算符'|'表示同時生效，比如re.I | re.M。
另外，你也可以在regex字符串中指定模式，
比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的。
可選值有：
- ??? re.I(全拼：IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）
- ???re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
- ????re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行為
- ????re.L(全拼：LOCALE): 使預定字符類 \w \W \b \B \s \S 取決于當前區域設定
- ????re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性
- ????re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。
以下兩個正則表達式是等價的：
[python]?view plaincopy
re提供了眾多模塊方法用于完成正則表達式的功能。
這些方法可以使用Pattern實例的相應方法替代，唯一的好處是少寫一行re.compile()代碼，
但同時也無法復用編譯后的Pattern對象。
這些方法將在Pattern類的實例方法部分一起介紹。
如一開始的hello實例可以簡寫為：
re模塊還提供了一個方法escape(string)，用于將string中的正則表達式元字符如*/+/?等之前加上轉義符再返回
2.2. Match
Match對象是一次匹配的結果，包含了很多關于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。
屬性：
方法：
獲得一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。
返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。
返回(start(group), end(group))。
將匹配到的分組代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認為是第10個分組，如果你想表達\1之后是字符'0'，只能使用\g<1>0。
[python]?view plaincopy
2.3. Pattern
Pattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找。
Pattern不能直接實例化，必須使用re.compile()進行構造，也就是re.compile()返回的對象。
Pattern提供了幾個可讀屬性用于獲取表達式的相關信息：
[python]?view plaincopy
下面重點介紹一下pattern的實例方法及其使用。
1.match
match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])：
這個方法將從string的pos下標處起嘗試匹配pattern；
如果pattern結束時仍可匹配，則返回一個Match對象；
如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。
pos和endpos的默認值分別為0和len(string)；
re.match()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。
注意：這個方法并不是完全匹配。
當pattern結束時若string還有剩余字符，仍然視為成功。
想要完全匹配，可以在表達式末尾加上邊界匹配符'$'。
下面來看一個Match的簡單案例：
2.search
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):?
這個方法用于查找字符串中可以匹配成功的子串。
從string的pos下標處起嘗試匹配pattern，
如果pattern結束時仍可匹配，則返回一個Match對象；
若無法匹配，則將pos加1后重新嘗試匹配；
直到pos=endpos時仍無法匹配則返回None。
pos和endpos的默認值分別為0和len(string))；
re.search()無法指定這兩個參數，參數flags用于編譯pattern時指定匹配模式。
那么它和match有什么區別呢？
match()函數只檢測re是不是在string的開始位置匹配，
search()會掃描整個string查找匹配，
match（）只有在0位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match()就返回none
例如：
print(re.match(‘super’, ‘superstition’).span())
會返回(0, 5)
print(re.match(‘super’, ‘insuperable’))
則返回None
search()會掃描整個字符串并返回第一個成功的匹配
例如：
print(re.search(‘super’, ‘superstition’).span())
返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())
返回(2, 7)
看一個search的實例：
[python]?view plaincopy
3.split
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能夠匹配的子串將string分割后返回列表。
maxsplit用于指定最大分割次數，不指定將全部分割。
[python]?view plaincopy
4.findall
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。
[python]?view plaincopy
5.finditer
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。
[html]?view plaincopy
6.sub
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替換string中每一個匹配的子串后返回替換后的字符串。?
當repl是一個字符串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。?
當repl是一個方法時，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。
[python]?view plaincopy
7.subn
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替換次數)。
[python]?view plaincopy
至此，Python的正則表達式基本介紹就算是完成了^_^ 新人創作打卡挑戰賽發博客就能抽獎！定制產品紅包拿不停！
總結
以上是生活随笔為你收集整理的[Python]网络爬虫（七）：Python中的正则表达式教程的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Validator
- 下一篇： etc/ld.so.conf文件