python爬虫学习笔记五:Re库的介绍和使用

时间:2021-11-04 22:36:15

Re库介绍

Re库是Python的标准库,主要用于字符串匹配。

调用方式:

import re

正则表达式的表示类型

*raw string 类型(原生字符串类型)

re库采用raw string类型表示正则表达式,表示为:r'text'

例如:r'[1-9]\d{5}'

r'\d{3}-\d{8}|\d{4}-\d{7}'

raw string是不包含转义符的字符串

*string类型,更繁琐。要加转义符

例如:[1-9]\\d{5}" 其中第一个\为转义符

 

                                                            Re库主要功能函数

函数 说明
re.search() 在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象(找到符合表达式的第一个字符串后终止)
re.match() 从一个字符串的开始位置起匹配正则表达式,返回match对象(从第一个字符匹配、匹配一个终止)
re.findall() 搜索字符串,以列表类型返回全部能匹配的子串(匹配到第一个后第一个所有的字符串不会再次参与匹配)
re.split() 将一个字符串按照正则表达式匹配结果进行分割,返回列表类型
re.finditer() 搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象
re.sub() 在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串

re.search(pattern,string,flags=0)

*在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象。

·pattern:正则表达式的字符串或原生字符串表示

·string:待匹配字符串

·flags:正则表达式使用时的控制标记

                                             flags:正则表达式使用时的控制标记

常用标记 说明
re.I  re.IGNORECASE 忽略正则表达式的大小写,[A-Z]能够匹配小写字符
re.M re.MULTILINE 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
re.S re.DOTALL 正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符
>>> import re
>>> match=re.search(r'[1-9]\d{5}','BIT 1000812')
>>> if match:
	print(match.group(0))

100081
>>> 

re.split(pattern,string,maxsplit=0,flags=0)

*将一个字符串按照正则表达式匹配结果进行分割,返回列表类型

pattern:正则表达式的字符串或原生字符串表示

string:待匹配字符串

maxsplit:最大分割数、剩余部分作为最后一个元素输出

flags:正则表达式使用时的控制标记

>>> import re
>>> re.split(r'[1-9]\d{5}','BIT100081  tsss1000844')
['BIT', '  tsss', '4']
>>> re.split(r'[1-9]\d{5}','BIT100081  tsss1000844',maxsplit=1)
['BIT', '  tsss1000844']
>>> re.split(r'[1-9]\d{5}','BIT100081  tsss1000844',maxsplit=2)
['BIT', '  tsss', '4']

re.finditer(pattern,string,flags=0)

*搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象。

·pattern:正则表达式的字符串或原生字符串表示

·string:待匹配字符串

·flags:正则表达式使用时的控制标记

>>> import re
>>> for m in re.finditer(r'[1-9]\d{5}','BTI100081 tsu100084'):
	if m:
		print(m.group(0))

100081
100084

re.sub(pattern,repl,string,count=0,flags=0)

*在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串。

·pattern:正则表达式的字符串或原生字符串表示

·repl:替换匹配字符串的字符串

·string:待匹配字符串

count:匹配的最大替换次数

·flags:正则表达式使用时的控制标记

>>> import re
>>> re.sub(r'[1-9]\d{5}',':zipcode','BIT100081 tsu100084')
'BIT:zipcode tsu:zipcode'