爬虫_039_正则高级用法

1、分组&起名称

• 概念

  处理简单的判断是否匹配之外，正则表达式还有提取子串的功能，用()表示的就是要提取的分组

• 代码

  #给当前匹配到的结果起别名
  s = '3G4HFD567'
  re.match("(?P<value>\d+)",s)
  print(x.group(0))
  print(x.group('value'))
  

• 说明

  • 正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来
  • group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串

2、编译

• 概念

  当在python中使用正则表达式时，re模块会做两件事，一件是编译正则表达式，如果表达式的字符串本身不合法，会报错。另一件是用编译好的正则表达式提取匹配字符串

• 编译优点

  如果一个正则表达式要使用几千遍，每一次都会编译，出于效率的考虑进行正则表达式的编译，就不需要每次都编译了，节省了编译的时间，从而提升效率

• compile()函数

  • 原型

    def compile(pattern, flags=0)
    

  • 作用

    将pattern模式编译成正则对象

  • 参数

    参数	说明
    pattern	匹配的正则表达式(一种字符串的模式)
    flags	标识位，用于控制正则表达式的匹配方式

  • flags

    值	说明
    re.I	是匹配对大小写不敏感
    re.S	使.匹配包括换行符在内的所有字符

  • 返回值

    编译好的正则对象

  • 示例

    import re
    
    re_phone = re.compile(r"(0\d{2,3}-\d{7,8})")
    print(re_phone, type(re_phone))
    

• 编译后其他方法的使用

  原型

  def match(self, string, pos=0, endpos=-1)
  def search(self, string, pos=0, endpos=-1)
  def findall(self, string, pos=0, endpos=-1)
  def finditer(self, string, pos=0, endpos=-1)
  

  参数

  参数	说明
  string	待匹配的字符串
  pos	从string字符串pos下标开始
  endpos	结束下标

  示例

  s1 = "lucky's phone is 010-88888888"
  s2 = "kaige's phone is 010-99999999"
  ret1 = re_phone.search(s1)
  print(ret1, ret1.group(1))
  ret2 = re_phone.search(s2)
  print(ret2, ret2.group(1))
  

3、贪婪与非贪婪

• 贪婪模式

  贪婪概念：匹配尽可能多的字符

  • .+ 匹配换行符以外的字符至少一次
  • .* 匹配换行符以外的字符任意次

  实例

  res = re.search('<b>.+</b>', '<b></b><b>b标签</b>')
  res = re.search('<b>.*</b>', '<b>b标签</b><b>b标签</b><b>b标签</b><b>b标签</b>')
  

• 非贪婪模式

  非贪婪概念：尽可能少的匹配称为非贪婪匹配，*?、+?即可

• .+? 匹配换行符以外的字符至少一次 拒绝贪婪

  • .*? 匹配换行符以外的字符任意次 拒绝贪婪

  实例

  res = re.search('<b>.+?</b>', '<b>b标签</b><b>b标签</b>')
  res = re.search('<b>.*?</b>', '<b>b标签</b><b>b标签</b><b>b标签</b><b>b标签</b>')