久久精品国产亚洲高清|精品日韩中文乱码在线|亚洲va中文字幕无码久|伊人久久综合狼伊人久久|亚洲不卡av不卡一区二区|精品久久久久久久蜜臀AV|国产精品19久久久久久不卡|国产男女猛烈视频在线观看麻豆

    1. <style id="76ofp"></style>

      <style id="76ofp"></style>
      <rt id="76ofp"></rt>
      <form id="76ofp"><optgroup id="76ofp"></optgroup></form>
      1. 千鋒教育-做有情懷、有良心、有品質(zhì)的職業(yè)教育機(jī)構(gòu)

        手機(jī)站
        千鋒教育

        千鋒學(xué)習(xí)站 | 隨時(shí)隨地免費(fèi)學(xué)

        千鋒教育

        掃一掃進(jìn)入千鋒手機(jī)站

        領(lǐng)取全套視頻
        千鋒教育

        關(guān)注千鋒學(xué)習(xí)站小程序
        隨時(shí)隨地免費(fèi)學(xué)習(xí)課程

        當(dāng)前位置:首頁  >  技術(shù)干貨  > 爬蟲中的正則表達(dá)式使用

        爬蟲中的正則表達(dá)式使用

        來源:千鋒教育
        發(fā)布人:qyf
        時(shí)間: 2022-08-31 16:00:00 1661932800

        爬蟲中的正則表達(dá)式使用

          正則表達(dá)式與爬蟲:

          爬蟲四個(gè)主要步驟:

          • 明確目標(biāo) (要知道你準(zhǔn)備在哪個(gè)范圍或者網(wǎng)站去搜索)

          • 爬 (將所有的網(wǎng)站的內(nèi)容全部爬下來)

          • 取 (去掉對(duì)我們沒用處的數(shù)據(jù))

          • 處理數(shù)據(jù)(按照我們想要的方式存儲(chǔ)和使用)

          那么在文本過濾這塊最強(qiáng)大的就是正則表達(dá)式,更是python爬蟲世界必不可少利器。

          什么是正則表達(dá)式

          正則表達(dá)式,又稱規(guī)則表達(dá)式,通常被用來檢索、替換那些符合某個(gè)模式(規(guī)則)的文本。

          正則表達(dá)式是對(duì)字符串操作的一種邏輯公式,就是用事先定義好的一些特定字符、及這些特定字符的組合,組成一個(gè)“規(guī)則字符串”,這個(gè)“規(guī)則字符串”用來表達(dá)對(duì)字符串的一種過濾邏輯。

          給定一個(gè)正則表達(dá)式和另一個(gè)字符串,我們可以達(dá)到如下的目的:

          • 給定的字符串是否符合正則表達(dá)式的過濾邏輯(“匹配”);

          • 通過正則表達(dá)式,從文本字符串中獲取我們想要的特定部分(“過濾”)。

          正則表達(dá)式匹配規(guī)則

          Python 的 re 模塊

          在 Python 中,我們可以使用內(nèi)置的 re 模塊來使用正則表達(dá)式。

          有一點(diǎn)需要特別注意的是,正則表達(dá)式使用 對(duì)特殊字符進(jìn)行轉(zhuǎn)義,所以如果我們要使用原始字符串,只需加一個(gè) r 前綴:

          re 模塊的一般使用步驟如下:

          • 使用 compile() 函數(shù)將正則表達(dá)式的字符串形式編譯為一個(gè) Pattern 對(duì)象

          • 通過 Pattern 對(duì)象提供的一系列方法對(duì)文本進(jìn)行匹配查找,獲得匹配結(jié)果,一個(gè) Match 對(duì)象。

          • 最后使用 Match 對(duì)象提供的屬性和方法獲得信息,根據(jù)需要進(jìn)行其他的操作

          compile 函數(shù)

          compile 函數(shù)用于編譯正則表達(dá)式,生成一個(gè) Pattern 對(duì)象,它的一般使用形式如下:

          import re

          # 將正則表達(dá)式編譯成 Pattern 對(duì)象

          pattern = re.compile(r'\d+')

          在上面,我們已將一個(gè)正則表達(dá)式編譯成 Pattern 對(duì)象,接下來,我們就可以利用 pattern 的一系列方法對(duì)文本進(jìn)行匹配查找了。

          Pattern 對(duì)象的一些常用方法主要有:

          • match 方法:從起始位置開始查找,一次匹配

          • search 方法:從任何位置開始查找,一次匹配

          • findall 方法:全部匹配,返回列表

          • finditer 方法:全部匹配,返回迭代器

          • split 方法:分割字符串,返回列表

          • sub 方法:替換

          match 方法

          match 方法用于查找字符串的頭部(也可以指定起始位置),它是一次匹配,只要找到了一個(gè)匹配的結(jié)果就返回,而不是查找所有匹配的結(jié)果。它的一般使用形式如下:

          match(string[, pos[, endpos]])

          其中,string 是待匹配的字符串,pos 和 endpos 是可選參數(shù),指定字符串的起始和終點(diǎn)位置,默認(rèn)值分別是 0 和 len (字符串長度)。因此,當(dāng)你不指定 pos 和 endpos 時(shí),match 方法默認(rèn)匹配字符串的頭部。

          當(dāng)匹配成功時(shí),返回一個(gè) Match 對(duì)象,如果沒有匹配上,則返回 None。

          >>> import re

          >>> pattern = re.compile(r'\d+') # 用于匹配至少一個(gè)數(shù)字

          >>> m = pattern.match(' okk12hellohai34fine') # 查找頭部,沒有匹配

          >>> print m

          None

          >>> m = pattern.match(' okk12hellohai34fine ', 2, 10) # 從'k'的位置開始匹配,沒有匹配

          >>> print m

          None

          >>> m = pattern.match(' okk12hellohai34fine ', 3, 10) # 從'1'的位置開始匹配,正好匹配

          >>> print m # 返回一個(gè) Match 對(duì)象

          <sre.srematch 0x10a42aac0="" at="" object="">

          >>> m.group(0) # 可省略 0

          '12'

          >>> m.start(0) # 可省略 0

          3

          >>> m.end(0) # 可省略 0

          5

          >>> m.span(0) # 可省略 0

          (3, 5)

          在上面,當(dāng)匹配成功時(shí)返回一個(gè) Match 對(duì)象,其中:

          • group([group1, …]) 方法用于獲得一個(gè)或多個(gè)分組匹配的字符串,當(dāng)要獲得整個(gè)匹配的子串時(shí),可直接使用 group() 或 group(0);

          • start([group]) 方法用于獲取分組匹配的子串在整個(gè)字符串中的起始位置(子串第一個(gè)字符的索引),參數(shù)默認(rèn)值為 0;

          • end([group]) 方法用于獲取分組匹配的子串在整個(gè)字符串中的結(jié)束位置(子串最后一個(gè)字符的索引+1),參數(shù)默認(rèn)值為 0;

          • span([group]) 方法返回 (start(group), end(group))。

          再看看一個(gè)例子:

          >>> import re

          >>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小寫

          >>> m = pattern.match('Hello World Wife Web')

          >>> print m # 匹配成功,返回一個(gè) Match 對(duì)象

          <sre.srematch at="" object="" 0x10bea83e8="">

          >>> m.group(0) # 返回匹配成功的整個(gè)子串

          'Hello World'

          >>> m.span(0) # 返回匹配成功的整個(gè)子串的索引

          (0, 11)

          >>> m.group(1) # 返回第一個(gè)分組匹配成功的子串

          'Hello'

          >>> m.span(1) # 返回第一個(gè)分組匹配成功的子串的索引

          (0, 5)

          >>> m.group(2) # 返回第二個(gè)分組匹配成功的子串

          'World'

          >>> m.span(2) # 返回第二個(gè)分組匹配成功的子串

          (6, 11)

          >>> m.groups() # 等價(jià)于 (m.group(1), m.group(2), ...)

          ('Hello', 'World')

          >>> m.group(3) # 不存在第三個(gè)分組

          Traceback (most recent call last):

          File "", line 1, in

          IndexError: no such group

          search 方法

          search 方法用于查找字符串的任何位置,它也是一次匹配,只要找到了一個(gè)匹配的結(jié)果就返回,而不是查找所有匹配的結(jié)果,它的一般使用形式如下:

          search(string[, pos[, endpos]])

          其中,string 是待匹配的字符串,pos 和 endpos 是可選參數(shù),指定字符串的起始和終點(diǎn)位置,默認(rèn)值分別是 0 和 len (字符串長度)。

          當(dāng)匹配成功時(shí),返回一個(gè) Match 對(duì)象,如果沒有匹配上,則返回 None。

          讓我們看看例子:

          >>> import re

          >>> pattern = re.compile('\d+')

          >>> m = pattern.search(' okk12hellohai34fine ') # 這里如果使用 match 方法則不匹配

          >>> m

          <sre.srematch at="" object="" 0x10cc03ac0="">

          >>> m.group()

          '12'

          >>> m = pattern.search(' okk12hellohai34fine ', 10, 30) # 指定字符串區(qū)間

          >>> m

          <sre.srematch at="" object="" 0x10cc03b28="">

          >>> m.group()

          '34'

          >>> m.span()

          (13, 15)

          再來看一個(gè)例子:

          import re

          # 將正則表達(dá)式編譯成 Pattern 對(duì)象

          pattern = re.compile(r'\d+')

          # 使用 search() 查找匹配的子串,不存在匹配的子串時(shí)將返回 None

          # 這里使用 match() 無法成功匹配

          m = pattern.search('hello 123456 789')

          if m:

          # 使用 Match 獲得分組信息

          print 'matching string:',m.group()

          # 起始位置和結(jié)束位置

          print 'position:',m.span()

          執(zhí)行結(jié)果:

          matching string: 123456

          position: (6, 12)

          findall 方法

          上面的 match 和 search 方法都是一次匹配,只要找到了一個(gè)匹配的結(jié)果就返回。然而,在大多數(shù)時(shí)候,我們需要搜索整個(gè)字符串,獲得所有匹配的結(jié)果。

          findall 方法的使用形式如下:

          findall(string[, pos[, endpos]])

          其中,string 是待匹配的字符串,pos 和 endpos 是可選參數(shù),指定字符串的起始和終點(diǎn)位置,默認(rèn)值分別是 0 和 len (字符串長度)。

          findall 以列表形式返回全部能匹配的子串,如果沒有匹配,則返回一個(gè)空列表。

          看看例子:

          import re

          pattern = re.compile(r'\d+') # 查找數(shù)字

          result1 = pattern.findall('hello 123456 789')

          result2 = pattern.findall('one1two2three3four4', 0, 10)

          print result1

          print result2

          執(zhí)行結(jié)果:

          ['123456', '789']

          ['1', '2']

          finditer 方法

          finditer 方法的行為跟 findall 的行為類似,也是搜索整個(gè)字符串,獲得所有匹配的結(jié)果。但它返回一個(gè)順序訪問每一個(gè)匹配結(jié)果(Match 對(duì)象)的迭代器。

          split 方法

          split 方法按照能夠匹配的子串將字符串分割后返回列表,它的使用形式如下:

          split(string[, maxsplit])

          其中,maxsplit 用于指定最大分割次數(shù),不指定將全部分割。

          看看例子:

          import re

          p = re.compile(r'[\s\,\;]+')

          print p.split('a,b;; c d')

          執(zhí)行結(jié)果:

          ['a', 'b', 'c', 'd']

          sub 方法

          sub 方法用于替換。它的使用形式如下:

          sub(repl, string[, count])

          其中,repl 可以是字符串也可以是一個(gè)函數(shù):

          • 如果 repl 是字符串,則會(huì)使用 repl 去替換字符串每一個(gè)匹配的子串,并返回替換后的字符串,另外,repl 還可以使用 id 的形式來引用分組,但不能使用編號(hào) 0;

          • 如果 repl 是函數(shù),這個(gè)方法應(yīng)當(dāng)只接受一個(gè)參數(shù)(Match 對(duì)象),并返回一個(gè)字符串用于替換(返回的字符串中不能再引用分組)。

          • count 用于指定最多替換次數(shù),不指定時(shí)全部替換。

          看看例子:

          import re

          p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]

          s = 'hello 123, hello 456'

          print p.sub(r'hello world', s) # 使用 'hello world' 替換 'hello 123' 和 'hello 456'

          print p.sub(r'\2 \1', s) # 引用分組

          def func(m):

          return 'hi' + ' ' + m.group(2)

          print p.sub(func, s)

          print p.sub(func, s, 1) # 最多替換一次

          執(zhí)行結(jié)果:

          hello world, hello world

          123 hello, 456 hello

          hi 123, hi 456

          hi 123, hello 456

          更多關(guān)于“Python培訓(xùn)”的問題,歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學(xué),課程大綱緊跟企業(yè)需求,更科學(xué)更嚴(yán)謹(jǐn),每年培養(yǎng)泛IT人才近2萬人。不論你是零基礎(chǔ)還是想提升,都可以找到適合的班型,千鋒教育隨時(shí)歡迎你來試聽。

        tags:
        聲明:本站稿件版權(quán)均屬千鋒教育所有,未經(jīng)許可不得擅自轉(zhuǎn)載。
        10年以上業(yè)內(nèi)強(qiáng)師集結(jié),手把手帶你蛻變精英
        請(qǐng)您保持通訊暢通,專屬學(xué)習(xí)老師24小時(shí)內(nèi)將與您1V1溝通
        免費(fèi)領(lǐng)取
        今日已有369人領(lǐng)取成功
        劉同學(xué) 138****2860 剛剛成功領(lǐng)取
        王同學(xué) 131****2015 剛剛成功領(lǐng)取
        張同學(xué) 133****4652 剛剛成功領(lǐng)取
        李同學(xué) 135****8607 剛剛成功領(lǐng)取
        楊同學(xué) 132****5667 剛剛成功領(lǐng)取
        岳同學(xué) 134****6652 剛剛成功領(lǐng)取
        梁同學(xué) 157****2950 剛剛成功領(lǐng)取
        劉同學(xué) 189****1015 剛剛成功領(lǐng)取
        張同學(xué) 155****4678 剛剛成功領(lǐng)取
        鄒同學(xué) 139****2907 剛剛成功領(lǐng)取
        董同學(xué) 138****2867 剛剛成功領(lǐng)取
        周同學(xué) 136****3602 剛剛成功領(lǐng)取
        相關(guān)推薦HOT
        軟件開發(fā)管理流程中會(huì)出現(xiàn)哪些問題?

        一、需求不清需求不明確是導(dǎo)致項(xiàng)目失敗的主要原因之一。如果需求沒有清晰定義,開發(fā)人員可能會(huì)開發(fā)出不符合用戶期望的產(chǎn)品。二、通信不足溝通問...詳情>>

        2023-10-14 13:43:21
        軟件定制開發(fā)中的敏捷開發(fā)是什么?

        軟件定制開發(fā)中的敏捷開發(fā)是什么軟件定制開發(fā)中的敏捷開發(fā),從宏觀上看,是一個(gè)高度關(guān)注人員交互,持續(xù)開發(fā)與交付,接受需求變更并適應(yīng)環(huán)境變化...詳情>>

        2023-10-14 13:24:57
        什么是PlatformIo?

        PlatformIO是什么PlatformIO是一個(gè)全面的物聯(lián)網(wǎng)開發(fā)平臺(tái),它為眾多硬件平臺(tái)和開發(fā)環(huán)境提供了統(tǒng)一的工作流程,有效簡化了開發(fā)過程,并能兼容各種...詳情>>

        2023-10-14 12:55:06
        云快照與自動(dòng)備份有什么區(qū)別?

        1、定義和目標(biāo)不同云快照的主要目標(biāo)是提供一種快速恢復(fù)數(shù)據(jù)的方法,它只記錄在快照時(shí)間點(diǎn)后的數(shù)據(jù)變化,而不是所有的數(shù)據(jù)。自動(dòng)備份的主要目標(biāo)...詳情>>

        2023-10-14 12:48:59
        服務(wù)器為什么要用Linux?

        服務(wù)器為什么要用Linux作為服務(wù)器操作系統(tǒng)的優(yōu)選,Linux在眾多選擇中脫穎而出。Linux作為服務(wù)器操作系統(tǒng)的優(yōu)選,有其獨(dú)特的優(yōu)勢(shì)和特點(diǎn)。包括其...詳情>>

        2023-10-14 12:34:11
        凤翔县| 随州市| 冷水江市| 济源市| 禄劝| 获嘉县| 合江县| 永兴县| 兴安县| 柳州市| 永仁县| 陕西省| 蒲城县| 武汉市| 稷山县| 宁河县| 雅江县| 万载县| 临西县| 奇台县| 伊春市| 台江县| 分宜县| 米林县| 新建县| 威远县| 额敏县| 滨海县| 南川市| 诸城市| 菏泽市| 巴南区| 紫云| 永登县| 绥阳县| 眉山市| 花莲县| 丽江市| 奈曼旗| 龙南县| 鲁甸县|