关于爬虫:python爬虫-Day-7

30次阅读

共计 3464 个字符,预计需要花费 9 分钟才能阅读完成。

正则表达式上

正则表达式

1. 定义
正则表达式是对字符操作的一种逻辑公式,就是用当时定义好的一些特定字符以及这些特定字符的组合,组成一个“规定字符串”,这个规定字符串用来表白对字符串的一种过滤逻辑
2. 作用
(1)表单验证(例如:手机号、邮箱、身份证)
(2)爬虫 – 从网页源码中提取数据
3. 正则表达式对 python 的反对
(1)一般字符:字母、数字、汉字、下划线、以及没有非凡含意的符号
(2)正则中的一般字符:在匹配的时候只匹配与本身雷同的一个字符
4. 例子
表达式 c,在匹配字符串 abcde 时
匹配后果:胜利
匹配到的内容:c
匹配到的地位:开始于 2,完结于 3

match()函数

1. 模板
match(pattern, string, flags=0)
2. 含意
(1)pattern: 是指正则表达式,如果匹配胜利,则返回一个 match 对象,否则返回一个 None
(2)string: 是指要匹配的字符串
(3)flags=0: 是标致位,用于管制正则表达式的匹配形式,如是否辨别大小写,多行匹配等

元字符

用来示意一些非凡含意或者性能

表达式 匹配
. 小数点能够匹配除了换行符 \n 以外的任意一个字符
| 逻辑或字符
[] 匹配字符集中的任意一个字符
[^] 对字符集求反,也就是下面的补集。^ 必须在方括号的最后面
定义 [] 里的一个字符区间,例如 a -z
\ 对紧跟其后的一个字符进行本义
() 对表达式进行分组,将圆括号内的内容当作一个整体,并取得匹配的值

一些无奈书写或者具备非凡性能的字符,采纳在后面加斜杠进行本义的办法

表达式 匹配
\r 回车
\n 换行符
\\ 斜杠
\^ ^
\$ $
\. .

预约义匹配字符集

能够同时匹配某个预约义字符集中的任意一个字符

表达式 匹配
\d 0-9 中的任意一个数字
\w A-Z, a-z,_中的任意一个字符
\s 空格、制表符、换页符等空白字符的其中一个
\D \d 的补集
\W \w 的补集
\S \s 的补集

反复匹配

表达式 匹配
{n} 表达式至多反复 n 次
{m,n} 表达式至多反复 m 次,至少反复 n 次
{m,} 表达式至多反复 m 次
? 表达式呈现 0 或者 1 次
+ 表达式至多呈现 1 次
* 表达式呈现 0 到任意次

代码

(1)代码 re_match

import re

# s 就是待匹配的数据
s = 'python and java'
# ptn 就是匹配的模板
ptn = 'python'

result = re.match(ptn, s)
# print(result)
if result:
    print(result.group())
else:
    print('匹配失败!')

(2)代码 re_examples– 元字符

import re

# 元字符

# . 匹配除了换行符之外的任意一个字符
# a.c 匹配以 a 结尾 c 结尾 两头任意一个除换行以外的字符
e1 = re.match('a.c', 'abc').group()
print(e1)
e2 = re.match('a.c', 'a 我 c').group()
print(e2)
e3 = re.match('a.c', 'a\nc').group()
print(e3)  # 报错

# r 原生字符串 不须要进行本义了 本来 python 解释器和正则都将会进行本义
print('\\\\')
print(r'\\\\')

# | 逻辑或操作符
a| b 用来匹配 a 或者是 b
print(re.match('a|b', 'a').group())
print(re.match('a|c', 'c').group())
print(re.match('a|b|c|d', 'cd').group())  # 只有一个 c 哦

# match 是从头开始匹配的 一旦匹配失败就完结了 返回第一个匹配后果
e1 = re.match('a|b', 'ba').group()
print(e1)
e2 = re.match('a|c', 'ba').group()
print(e2)  # 报错
e3 = re.search('a|c', 'cba').group()
print(e3)  # search 和 match 之间的区别

# []匹配字符集中的一个字符
f1 = re.match('[abc]', 'cba').group()
print(f1)
f2 = re.match('[abc]', 'zba').group()
print(f2)  # 报错
f3 = re.match('[abc]2', 'a').group()
print(f3)  # 报错
f3 = re.match('[abc]2', 'a2').group()
print(f3)  # 能够用来匹配 a2 b2 c2

# [^] 对字符集求反,也就是反操作 尖号必须在方括号的最后面
g1 = re.match('[^abc]3', 'a3').group()
print(g1)   # 报错
g2 = re.match('[^abc]3', 'g3').group()
print(g2)

# \ 对紧跟其后的一个字符进行本义(如果没有 r 的话)h1 = re.match(r'5.6', '5.6').group()
print(h1)
h2 = re.match(r'5.6', '596').group()
print(h2)
h3 = re.match(r'5\.6', '596').group()
print(h3)  # 报错 \. 示意.
h4 = re.match(r'5\.6', '5.6').group()
print(h4)  # 能够运行

(3)代码 re_examples– 预约义匹配字符

# 预约义匹配字符集:能够同时匹配某个预约义字符集中的任意一个字符

# \d 匹配 0 - 9 中的任意一个字符
k1 = re.match(r'123', '123').group()
print(k1)
k2 = re.match(r'\d', '123').group()
print(k2)
k3 = re.match(r'\d\d\d', '123').group()
print(k3)

# \w 匹配字母或数字或下划线的任意一个字符
m1 = re.match(r'\w', 'b123').group()
print(m1)
m2 = re.match(r'\w', 'S123').group()
print(m2)
m3 = re.match(r'\w', '123').group()
print(m3)
m4 = re.match(r'\w', '_123').group()
print(m4)

# \s 匹配空格、制表符、换行符、空白等(1 个)n1 = re.match(r'\s1', '1').group()
print(n1)
n2 = re.match(r'\s2', '\t2').group()
print(n2)
n3 = re.match(r'\s3', '\n3').group()
print(n3)

(4)代码 re_examples– 反复匹配

# 反复匹配
# # {n} 示意表达式反复的匹配 n 次
p1 = re.match(r'\d{4}', '1231').group()
print(p1)

# {m, n}示意表达式至多反复 m 次,至少反复 n 次
q1 = re.match(r'\d{3,4}-\d{7,8}', '1234-1234567').group()
print(q1)
print(re.match(r'\d{3,4}-\d{7,9}', '12345-1234567').group())
print(re.match(r'\d{3,4}-\d{7,9}', '1234-1234567').group())
print(re.match(r'\d{3,4}-\d{6,7}', '1234-123456789').group())

# {m,) 示意至多匹配 m 次 没有下限
ptn1 = r'\d{3,4}-\d{6,}'
s1 = re.match(ptn1, '1234-123456789111111111111111111111111111111').group()
print(s1)

# + 示意至多匹配 1 次 相当于{1,} a+b ab/aab/aaab
print(re.match(r'w[a-z]', 'wa').group())
print(re.match(r'w[a-z]+', 'wa').group())
print(re.match(r'w[a-z]+', 'wee').group())
print(re.match(r'w[a-z]+', 'w').group())  #  报错

# * 示意表达式呈现 0 到任意次数
print(re.match(r'w[a-z]*', 'w').group())
print(re.match(r'w[a-z]*', 'weeeeeeeee').group())
print(re.match(r'w[a-z]*', '1').group())  # 报错

正文完
 0