【python】网络爬虫与信息提取--正则表达式

一、正则表达式

        正则表达式是用来简洁表达一组字符串的表达式。是通用的字符串表达框架，简洁表达一组字符串的表达式，针对字符串表达“简洁”和“特征”思想的工具，判断某字符串的特征归属。

        用处：表达文本类型的特征；同时查找或替换一组字符串；匹配字符串的全部或部分。

        编译：将符合正则表达式语法的字符串转换成正则表达式特征。

        语法：正则表达式由字符和操作符构成。

        正则表达式的常用操作符：

        实例：

        

二、RE库的基本使用

        RE库是python的标准库，主要用于字符串的匹配。

        调用方法：import re

        RE库使用raw string类型来表达正则表达式，表示为：r'text',例如：r'[1-9]\d{5}';也使用string类型，但是由于string类型中将斜杠理解为转义符，所以会更加繁琐，例如：'[1-9]\\d{5}'。综上，当正则表达式包含转义符时使用raw string。

        re库的主要功能函数：

 re.search(pattern,string,flags=0)        

         pattern:正则表达式的字符串或原生字符串表示

        string:待匹配字符串

        flags:正则表达式使用时的控制标记

        例子：我们匹配的字符串是BIT100081

re.match(pattern,string,flags=0)

        pattern:正则表达式的字符串或原生字符串表示

        string:待匹配字符串

        flags:正则表达式使用时的控制标记

        仔细看下这个错误提示，NoneType这说明现在由match函数返回的变量match它并没有一个属性叫group，也就是说这个match是空的。我们知道，这边所用的正则表达式表示了一个中国区的邮政编码，而它从后边的string类型中，从起始位置开始匹配，但我们给出的string起始位置并不是邮政编码，因此它的正则表达式匹配结果应该是空。所以我们在使用之前一定要先判断这个match是不是空的。

re.findall(pattern,string,flags=0)

        pattern:正则表达式的字符串或原生字符串表示

        string:待匹配字符串

        flags:正则表达式使用时的控制标记

re.split(pattern,string,maxsplit=0,flags=0)

        pattern:正则表达式的字符串或原生字符串表示

        string:待匹配字符串

        maxsplit:最大分割数，剩余部分作为最后一个元素输出

        flags:正则表达式使用时的控制标记

        maxsplit=1表示只匹配第一个位置，匹配之后它将BIT分割出来

re.finditer(pattern,string,flags=0)

        pattern:正则表达式的字符串或原生字符串表示

        string:待匹配字符串

        flags:正则表达式使用时的控制标记

re.sub(pattern,repl,string,count=0,flags=0)

        pattern:正则表达式的字符串或原生字符串表示

        repl:替换匹配字符串的字符串

        string:待匹配字符串

        count:匹配的最大替换次数

        flags:正则表达式使用时的控制标记

 

RE库的另一种等价用法

        re.compile(pattern,flags=0):将正则表达式的字符串形式编译成正则表达式对象。pattern:正则表达式的字符串或原生字符串表示，flags：正则表达式使用时的控制标记。

三、RE库的match对象

        match对象就是一次匹配的结果，它包含了很多匹配的相关关系，

match对象的属性 

        只有经过compile的正则表达式才是真正的正则表达式，如果没经过，就是compile的一种表示。

四、Re库的贪婪匹配和最小匹配

        r'PY.*n'表示以PY字母开头，以N结尾，之间可以有若干个字母的字符串。

        贪婪匹配：RE库默认采用贪婪匹配，即输出匹配最长的子串。

        输出最短的子串：

        最小匹配操作符：