[python]网络爬虫（七）：python中的正则表达式教程

《[python]网络爬虫（七）：python中的正则表达式教程》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、汪海的实验室--各种图形学实验和数据结构实验以及其他一切琐碎杂乱的小笔记们都相遇在此齐聚一堂共同守候0error(s),0warning(s)这神奇时刻的到来[Python]网络爬虫（七）：Python中的正则表达式教程分类：爬虫Python2013-05-1513:29939人阅读评论(0)收藏举报接下来准备用糗百做一个爬虫的小例子。但是在这之前，先详细的整理一下Python中的正则表达式的相关内容。正则表达式在Python爬虫中的作用就像是老师点名时用的花名册一样，是必不可少的神兵利器。一、正则

2、表达式基础1.1.概念介绍正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。它拥有自己独特的语法以及一个独立的处理引擎，在提供了正则表达式的语言里，正则表达式的语法都是一样的。下图展示了使用正则表达式进行匹配的流程：正则表达式的大致匹配过程是：1.依次拿出表达式和文本中的字符比较，2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。3.如果表达式中有量词或边界，这个过程会稍微有

3、一些不同。下图列出了Python支持的正则表达式元字符和语法：121.2.数量词的贪婪模式与非贪婪模式正则表达式通常用于在文本中查找匹配的字符串。贪婪模式，总是尝试匹配尽可能多的字符；非贪婪模式则相反，总是尝试匹配尽可能少的字符。Python里数量词默认是贪婪的。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。1.3.反斜杠的问题与大多数编程语言相同，正则表达式里使用""作为转义字符，这就可能造成反斜杠困扰。假如你需要匹

4、配文本中的字符""，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\"：第一个和第三个用于在编程语言里将第二个和第四个转义成反斜杠，转换成两个反斜杠\后再在正则表达式里转义成一个反斜杠用来匹配反斜杠。这样显然是非常麻烦的。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\"表示。同样，匹配一个数字的"\d"可以写成r"d"。有了原生字符串，妈妈再也不用担心我的反斜杠问题~二、介绍re模块2.1.CompilePython通过re模块提供对正则

5、表达式的支持。使用re的一般步骤是：Step1：先将正则表达式的字符串形式编译为Pattern实例。Step2：然后使用Pattern实例处理文本并获得匹配结果（一个Match实例）。Step3：最后使用Match实例获得信息，进行其他的操作。我们新建一个re01.py来试验一下re的应用：#-*-coding:utf-8-*-#一个简单的re实例，匹配字符串中的hello字符串#导入re模块importre#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”patt

6、ern=re.compile(r'hello')#使用Pattern匹配文本，获得匹配结果，无法匹配时将返回Nonematch1=pattern.match('helloworld!')match2=pattern.match('hellooworld!')match3=pattern.match('hellloworld!')#如果match1匹配成功ifmatch1:#使用Match获得分组信息3printmatch1.group()else:print'match1匹配失败！'#如果match

7、2匹配成功ifmatch2:#使用Match获得分组信息printmatch2.group()else:print'match2匹配失败！'#如果match3匹配成功ifmatch3:#使用Match获得分组信息printmatch3.group()else:print'match3匹配失败！'可以看到控制台输出了匹配的三个结果：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Pat

8、tern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'

9、'表示同时生效，比如re.I

10、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

11、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：