python網(wǎng)絡(luò)爬蟲中正則表達(dá)式怎么用

這篇文章主要介紹python網(wǎng)絡(luò)爬蟲中正則表達(dá)式怎么用，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

一、常見的匹配規(guī)則

二、常見的匹配方法

1、match（）

match（）方法從字符串的起始位置開始匹配，該方法有兩個(gè)參數(shù)，第一個(gè)是正則表達(dá)式，第二個(gè)是需要匹配的字符串；

re.match(正則表達(dá)式，字符串)

如果該方法匹配成功，返回的是SRE_Match對象，如果未匹配到，則返回None。

返回成功后有兩個(gè)方法，group（）方法用來查看匹配到的字符串，span（）方法用來輸出匹配的范圍。

import re
content = 'Hello_World,123 456'
result = re.match('^Hello\w{6}\W\d\d\d\s\d{3}',content)
print(result)
print(result.group())
print(result.span())

【運(yùn)行結(jié)果】

<re.Match object; span=(0, 19), match='Hello_World,123 456'>
Hello_World,123 456
(0, 19)

子字符串匹配

在上述我們匹配到了完整的字符串，但是實(shí)際需求中可能只需要其中的一部分，這時(shí)我們僅需要在要獲取的子字符串匹配時(shí)加上括號即可。

import re
content = 'Hello_World,123 456'
result = re.match('^Hello\w{6}\W(\d+)\s(\d{3})',content)
print(result)
print(result.group())
print(result.span())
print(result.group(1))
print(result.group(2))

【運(yùn)行結(jié)果】

<re.Match object; span=(0, 19), match='Hello_World,123 456'>
Hello_World,123 456
(0, 19)
123
456

這樣通過加括號的形式，將字符串中的數(shù)字匹配出來。

通用匹配符

.* 其中.用來匹配任意字符（除換行符），*代表前面出現(xiàn)的字符無限次。因此之前的匹配形式可以寫為：

import re
content = 'Hello_World,123 456'
result = re.match('^Hello\.*456$',content)
print(result.group())

【運(yùn)行結(jié)果】

Hello_World,123 456

貪婪匹配和非貪婪匹配

.*匹配是貪婪匹配

.*?是非貪婪匹配

二者的主要區(qū)別是，貪婪匹配盡可能多的去匹配字符，而非貪婪匹配是盡可能少的匹配字符。下列代碼能夠更直觀的了解二者之間的區(qū)別

import re
content = 'number 12345678 test'
result_1 = re.match('^number.*(\d+).*test$',content)
print('貪婪匹配得到的數(shù)字：' + result_1.group(1))
result_2 = re.match('^number.*?(\d+).*test$',content)
print('非貪婪匹配得到的數(shù)字：' + result_2.group(1))

【運(yùn)行結(jié)果】

貪婪匹配得到的數(shù)字：8
非貪婪匹配得到的數(shù)字：12345678

大家會有這樣一個(gè)疑問為什么貪婪匹配得到的數(shù)字少，而非貪婪匹配得到的多，這與前面講的不太符合啊。

注意，在匹配的時(shí)候，貪婪匹配是盡可能多的去匹配字符，因此.*就匹配的是' 1234567‘，只留下8給\d+匹配，非貪婪匹配是盡可能少的匹配字符，故.*?匹配的是' '，留下12345678給\d+匹配，就會得到上述結(jié)果。

修飾符

轉(zhuǎn)義匹配

匹配特殊字符時(shí)，在其前面加反斜線（\）完成轉(zhuǎn)義匹配。

2、search（）

在匹配時(shí)會掃描整個(gè)字符串，然后返回第一個(gè)成功匹配的結(jié)果。如果將整個(gè)字符串搜索完了之后還是沒有匹配到，則返回None。

3、findall（）

與search（）不同的是，findall（）方法是將返回所有符合正則表達(dá)式匹配的內(nèi)容。返回結(jié)果是一個(gè)列表，列表中的每個(gè)元素都是元組類型。

4、sub（）

修改文本內(nèi)容，原理是對要修改的內(nèi)容進(jìn)行替換。

import re
temp = "abcdef123ghi456"
temp = re.sub("\d+","",temp)
print(temp)

【運(yùn)行結(jié)果】

abcdefghi

sub（）中的參數(shù)分析，第一個(gè)參數(shù)是正則表達(dá)式匹配要更改的內(nèi)容，第二個(gè)參數(shù)是使用該參數(shù)內(nèi)容進(jìn)行替換，第三個(gè)參數(shù)是要更改的字符串。

5、compile（）

將正則字符串編譯成正則表達(dá)式對象，以便在后面的匹配中進(jìn)行復(fù)用。

以上是“python網(wǎng)絡(luò)爬蟲中正則表達(dá)式怎么用”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！