python爬虫-正则表达式

特此声明：

• 以下内容来源于博主：http://www.cnblogs.com/huxi/

                                    http://blog.csdn.net/pleasecallmewhy

                                    http://cuiqingcai.com/

• 根据需要整理到自己的笔记中，用于学习。

正则表达式基础

re模块（Python通过re模块提供对正则表达式的支持）

主要用到的方法：

  #返回pattern对象
1 re.compile(string[,flag])  
#以下为匹配所用函数
re.match(pattern, string[, flags])
re.search(pattern, string[, flags])
re.split(pattern, string[, maxsplit])
re.findall(pattern, string[, flags])
re.finditer(pattern, string[, flags])
re.sub(pattern, repl, string[, count])
re.subn(pattern, repl, string[, count])

re使用步骤：

Step1：将正则表达式的字符串形式编译为Pattern实例。

Step2：使用Pattern实例处理文本并获得匹配结果（Match实例）。

Step3：使用Match实例获得信息，进行其他的操作。

import re  #导入模块       
pattern=re.compile(r'hello')#将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”,原原本本的输出 
match1=pattern.match('hello world')#使用Pattern对象来进行进一步的匹配文本，获得匹配结果
match2=pattern.match('helloo world')
match3=pattern.match('helllo world')
if match1:     #如果匹配成功
   print (match1.group())   # 使用Match获得分组信息
else:
   print('not match1')      #
if match2:
   print(match2.group())
else:
   print('not match2')
if match3:
   print(match3.group())
else:
   print('no match3')

下面来具体看看代码中的关键方法。

★ re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，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)与re.compile('(?im)pattern')是等价的。

可选值有：

•     re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
•    re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
•     re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为
•     re.L(全拼：LOCALE): 使预定字符类 w W  B s S 取决于当前区域设定
•     re.U(全拼：UNICODE): 使预定字符类 w W  B s S d D 取决于unicode定义的字符属性
•     re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

import re
a=re.compile(r"""d+   
                 .    
                 d*""",re.X)
b=re.compile(r'd+.d*')
match1=a.match('3.1415')
match2=a.match('33')
match3=b.match('3.1415')
match4=b.match('33')
if match1:
   print(match1.group())
else:
   print('match1 is not a digital')
if match2:
   print(match2.group())
else:
   print('match2 is not a digital')
if match3:
   print(match3.group())
else:
   print('match3 is not a digital')
if match4:
   print(match4.group())