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
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)
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'>