标签：字符 匹配 正则表达式 re 玩转 贪婪 字符串

玩转正则表达式

本文中介绍的是主要是 3 个知识点：

• 正则表达式的相关知识
• Python的中 re 模块，主要是用来处理正则表达式
• 一个利用 re 模块通过正则表达式来进行网页数据的爬取和存储

使用的系统 Python 版本和其他环境分别如下：

• npython 3.7.5
• MacOS
• jupyter notebook
• re   # re 模块
• requests 2.23.0  # 发送请求

1、正则表达式

1.1 正则表达式及作用

正则表达式的英文是 regular expression，通常简写为 regex、regexp 或者RE，属于计算机领域的一个概念。

正则表达式的主要作用是被用来进行文本的检索、替换或者是从一个串中提取出符合我们指定条件的子串，它描述了一种字符串匹配的模式 pattern 。

目前正则表达式已经被集成到了各种文本编辑器和文本处理工具中。

1.2 应用场景

• 验证：比如在网站中进行表单提交时，进行用户名及密码的验证

• 查找：从给定的文本信息中进行快速高效地查找与分析字符串

• 替换：将我们指定格式的文本进行查找，然后将指定的内容进行替换

1.3 网站

在这里介绍几个用来学习和测试正则表达式的网站：

1. 菜鸟教程-正则表达式

https://www.runoob.com/regexp/regexp-tutorial.html

2. 正则表达式在线测试工具

https://tool.oschina.net/regex/

3. GoRegex.cn

https://goregex.cn/

4. 官方re模块学习

https://docs.python.org/zh-cn/3/library/re.html

5. 正则表达式30分钟入门教程

https://deerchao.cn/tutorials/regex/regex.htm#mission

1.4 常用字符功能

先介绍常用正则表达式中几种特殊字符的功能：

字符类

字符	含义	例子
.	匹配任意一个字符	ab.可以匹配abc或者abd
[ ]	匹配括号中的任意1个字符	[abcd]可以匹配ab、bc、cd
-	在[ ]内表示的字符范围内进行匹配	[0-9a-fA-F]可以匹配任意一个16进制的数字
^	位于[ ]括号内的开头，匹配除括号中的字符之外的任意1个字符	[^xy]匹配xy之外的任意一个字符，比如[^xy]1可以匹配A1、B1但是不能匹配x1、y1

数量限定符

字符	含义	例子
？	匹配前面紧跟字符的0次或者1次	[0-9]?，匹配1、2、3
+	匹配前面紧跟字符的1次或者多次	[0-9]+，匹配1、12、123等
*	匹配前面紧跟字符的0次或者多次	[0-9]*，不匹配或者12、123
{N}	匹配前面紧跟字符精确到N次	[1-9][0-9]{2}，匹配100到999的整数，{2}表示[0-9]匹配两个数字
{,M}	匹配前面紧跟字符最多M次	[0-9]{,1}，指的是最多匹配0-9之间的1个整数，相当于是0次或者1次，等价于[0-9]?
{N,M}	匹配前面紧跟字符的至少N次，最多M次	[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}，匹配IP地址，其中.号是特殊字符，需要使用转义字符\

位置相关

字符	含义	例子
^	匹配开头的位置；通过\A	^hello  匹配hello开头的字符内容
$	匹配结束的位置同\Z	;$  匹配一行结尾的;符号   ^$匹配空行
<	匹配单词开头的位置	<th  匹配…this但是不能匹配ethernet等
>	匹配单词结尾的位置	p>  匹配leap等，但是不能匹配parent、sleepy等不是p结尾的单词
\b	匹配单词开头或结尾的位置	\bat 匹配…at…，但是不能匹配cat、atexit、batch（非at开头）
\B	匹配非单词开头或者结尾的单词	\Bat匹配battery，但是不能匹配attend/hat等以at开头的单词

特殊字符

字符	含义	例子
\	转义字符，保持后面字符的原义，使其不被转义	\. 输出.
( )	将表达式的一部分括起来，可以对整个单元使用数量限定符，匹配括号中的内容	([0-9]{1,3}\.){3}[0-9]{1,3}表示将括号内的内容匹配3次
|	连接两个子表达式，相当于或的关系	n(o|either)匹配no或者neither
\d	数字字符	相当于是[0-9]
\D	非数字字符	相当于是[^0-9]
\w	数字字母下划线	[a-zA-Z0-9_]
\W	非数字字母下划线，匹配特殊字符	[^\w]
\s	空白区域	[\r\t\n\f]表格、换行等空白区域
\S	[^\s]	非空白区域

2、re 模块

2.1 re 模块简介

在 Python 中主要是利用 re 模块进行正则表达式的处理，涉及到 4 个常用的方法：

• re.match()
• re.search()
• re.findall()
• re.sub()
• re.split()

5 个方法的基本使用语法是：

import re   # 使用之前先进行导入re模块
re.match(pattern, string, flags)   # match方法为例

上面参数的说明：

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串
flags	标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

2.2 标志位 flags

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志，如 re.I | re.M 被同时设置成 I 和 M 标志：

修饰符	描述
re.I	忽略大小写（常用）
re.L	做本地化识别（locale-aware）匹配
re.M	多行匹配，影响 ^ 和 $
re.S	使 . 匹配包括换行在内的所有字符
re.U	根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B.
re.X	该标志通过给予更灵活的格式，以便将正则表达式写得更易于理解。

2.3 match

从指定字符串的开始位置进行匹配。开始位置匹配成功则继续匹配，否则输出None。

该方法的结果是返回一个正则匹配对象，通过两个方法获取相关内容：

• 通过 group() 来获取内容
• 通过 span() 来获取范围：匹配到字符的开始和结束的索引位置

开始位置没有匹配成功，返回 None：

存在换行的字符串内容，使用 re.S：

group() 方法获取内容的时候，索引符号从 1 开始：

2.4 search

re.search 方法扫描整个字符串，返回的是第一个成功匹配的字符串，否则就返回 None

group(N) 中的参数N不能超过正则表达式中括号的个数，若超过则报错：

2.5 findall

re.findall() 是扫描整个字符串，通过列表形式返回所有符合的字符串

注意：re.search 是返回第一个符合要求的字符

如果存在多个 .*? ，则返回的内容中使用列表中嵌套元组的形式：

2.6 sub

re.sub 方法是用来替换字符串中的某些内容

• 直接替换
• 通过函数替换

指定具体的替换内容：将空格替换成短横线

略微复杂的替换

2.7 split

用法

主要适用于将字符串进行分割：

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

用 pattern 分开 string 。如果在 pattern 中捕获到括号，那么所有的组里的文字也会包含在列表里。

如果 maxsplit 非零， 最多进行 maxsplit 次分隔， 剩下的字符全部返回到列表的最后一个元素。

如何理解是否保留匹配项

第二种写法就是保留了匹配项

2.8 贪婪模式与非贪婪模式

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为。

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；而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

我们在正则表达式中经常会使用 3 个符号：

• 点 . ：表示匹配的是除去换行符之外的任意字符
• 问号 ? ：表示匹配 0 个或者 1 个
• 星号 *：表示匹配 0 个或者任意个字符

贪婪模式与非贪婪模式:

• .*?  非贪婪模式
• .*   贪婪模式

看一个例子来比较 re 模块中两种匹配方式的不同：

1. 在上面的非贪婪模式中，使用了问号 ？，当匹配到 aaaacb 已经达到了要求，停止第一次匹配；接下来再开始匹配到 ab ；再匹配到 adceb ；所以存在多个匹配结果
2. 在贪婪模式中，程序会找到最长的那个符合要求的字符串

关于正则表达式中贪婪和非贪婪模式的详解，请参考文章 https://www.cnblogs.com/520yang/articles/7473596.html，写的非常清楚。

3、基于正则的爬虫

字符串是在我们编程中涉及最多的一种数据结构，对字符串进行操作的需求几乎无处不在。

比如我们编写好了爬虫程序，在得到了网页的源码之后，怎么从茫茫数据中提取出来我们指定的数据？这个通过正则表达式提取就是其中的方法之一。

接下来讲解的通过 re 模块来爬取某个网站的内容。

3.1 网页结构

分析的网页结构和源码的相关对应信息：

1. 在每个网页中有 32 篇小说

2. 这 32 篇小说的信息存在于 32 个 <li></li> 对中：

3. 每篇信息存在一个 li 中，比如第一篇：

4. 源码和网页中的对应位置

3.2 网页地址

第一页的地址是  http://www.quanshuwang.com/list/1_1.html  ，第二页是 http://www.quanshuwang.com/list/1_2.html  ，网页地址的规律

for i in range(1, 1156):  # 总共1155页
  url = "http://www.quanshuwang.com/list/1_{}.html".format(i)

3.3 爬取信息

导入库爬虫中需要的库

import re  # 解析数据
import requests # 发送请求
import csv  # 存入数据
import pandas as pd

爬取第一页

爬取第一页的内容进行测试

url = "http://www.quanshuwang.com/list/1_1.html"  # 第一页
headers = {"User-Agent": "自己的请求头"}
response = requests.get(url=url, headers=headers)   # 得到响应
res = response.content.decode('gbk', 'ignore')  # 获取源码，实际编码是gbk
res  

下面进行 3 个字段信息的爬取：

标题title

title 是 li 标签对中唯一的，所以可以直接获取双引号中的内容，最后检验下长度刚好是 32 :

作者 author

author 是源码中唯一的内容，直接通过 author 后面的内容进行获取，检验长度也是 32

在 author 和 em 标签中进行限制来获取内容

简介 substract

对简介的提取分为两个部分：正文部分+更多。因为有些小说没有简介，只有更多 2 个字，所以需要特殊下

1. 通过元组的形式单独提取出两个信息

2. 将两个信息进行合并，放到一个大列表中，同时检验长度仍然是 32

3.4 完整代码

下面是完整的源码，包含：

• 访问链接获取源码数据
• 利用 re 模块解析数据
• 利用 csv 模块保存数据
• 读取数据

作者简介

Peter，硕士毕业僧一枚，从电子专业自学Python入门数据行业，擅长数据分析及可视化。喜欢数据，坚持跑步，热爱阅读，乐观生活。个人格言：不浮于世，不负于己

个人站点：www.renpeter.cn，欢迎常来小屋逛逛

标签：字符,匹配,正则表达式,re,玩转,贪婪,字符串
来源： https://www.cnblogs.com/jiangnanjiangnan/p/16656779.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。