文章目录

• 前言
• 正则表达式简介
• 示例
• 1. re库的函数
• • 1.1 match和search
  • 1.2 findall和finditer

前言

工欲善其事，必先利其器。这篇文章我们将一起学习处理爬取到数据的一种强大的工具：正则表达式。

正则表达式简介

正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。（来自百度百科）

要学习正则表达式的具体用法，最好的方式是参阅re库官方中文文档

示例

import re

regex = 'abc'
string = 'www.abc.com'

# 预编译正则表达式（预编译的好处是，可以多次调用）
# re.compile('string') ==>子串
p = re.compile(regex)  # p是.pattern对象的实例，是一个缓存
a = p.search(string)  # 调用这个实例的方法search（'string'）==>母串
print(a)  # <_sre.SRE_Match object; span=(4, 7), match='abc'>
print(a.span())  # span()返回匹配的位置
print(a.group())  # group()返回匹配的组

# 不使用预编译
a = re.search(regex, string)
print(a)

1. re库的函数

1.1 match和search

match ：从开始位置匹配，不成功返回none，成功返回一个Match对象
search ：扫描整个string，不成功返回none，成功返回match对象

>>> import re
>>> string = 'www.abc.com'
>>> regex = 'www'
>>> m1 = re.match(regex, string)
>>> m1
<re.Match object; span=(0, 3), match='www'>
>>> m2 = re.search(regex, string)
>>> m2
<re.Match object; span=(0, 3), match='www'>
>>> regex = 'abc'
>>> m3 = re.match(regex, string)
>>> m3
# 返回了none 
>>> m4 = re.search(regex, string)
>>> m4
<re.Match object; span=(4, 7), match='abc'>

1.2 findall和finditer