精通Python中的正则表达式

源码分享

https://docs.qq.com/sheet/DUHNQdlRUVUp5Vll2?tab=BB08J2

正则表达式是一种强大的文本处理工具，广泛应用于字符串搜索、替换、验证等多种场景。Python通过内置的re模块提供了对正则表达式的支持。在爬虫开发中，能够熟练地使用正则表达式对数据进行提取和处理至关重要。本博客文章将深入探究Python中的正则表达式，并通过具体的代码案例来展示其用法。

什么是正则表达式？

正则表达式（Regular Expression），是一种文本模式，包括普通字符（例如，字母a到z）和特殊字符（称为"元字符"）。它通过一个搜索模式定义了搜索或操作字符串的方式。

Python中的正则表达式

在Python中使用正则表达式之前，需要引入re模块：

复制代码

import re

搜索文本

re.search函数可以在字符串中搜索匹配正则表达式的第一个位置。

复制代码

pattern = r"Python"
text = "Learning Python with Python tips"
match = re.search(pattern, text)

if match:
    print("Match found at index:", match.start())

提取匹配

re.findall函数可以找到字符串中所有匹配正则表达式的部分，并返回一个列表。

复制代码

emails = "contact us: support@example.com, sales@example.com"
matches = re.findall(r'[\w\.-]+@[\w\.-]+', emails)

for email in matches:
    print(email)

替换文本

re.sub函数可以替换文本中的匹配项。

复制代码

text = "Use of Python 2 has been deprecated, use Python 3 instead."
new_text = re.sub(r"Python 2", "Python 3", text)

print(new_text)

分割文本

re.split函数可以用正则表达式来分割字符串。

复制代码

text = "The rain in Spain"
words = re.split(r'\W+', text)

for word in words:
    print(word)

正则表达式模式

在正则表达式中，可以使用多种模式，例如：

\d 匹配任意数字
\w 匹配任意字母数字字符
\s 匹配任意空白字符
. 匹配任意单个字符，除了换行符
* 匹配0个或多个表达式
+ 匹配1个或多个表达式
? 匹配0个或1个表达式
{n} 匹配n次
{n,} 至少匹配n次
{,m} 最多匹配m次
{n,m} 至少匹配n次，最多匹配m次

分组提取

分组是正则表达式中一个强大的特性，它允许你提取信息的一部分。

复制代码

text = "John: +1-555-1234"
match = re.search(r'(\w+): \+(\d+)-(\d+)-(\d+)', text)

if match:
    name, country_code, area_code, number = match.groups()
    print(f"Name: {name}, Country Code: {country_code}, Area Code: {area_code}, Number: {number}")

非贪婪匹配

默认情况下，*和+操作符是"贪婪"的，会尽可能多的匹配文字。非贪婪版本的这些操作符是*?和+?，它们尽可能少地匹配文字。

复制代码

html = "<title>Python or Ruby</title>"
match = re.search(r'<.*?>', html)

if match:
    print(match.group())

结语

正则表达式是一个非常强大的工具，在处理字符串数据时几乎是不可或缺的。在Python中，re模块提供了一套完整的正则表达式功能，可以帮助开发者执行复杂的文本分析和数据提取任务。通过本文的介绍和案例，希望你能够开始利用正则表达式来增强你的Python爬虫项目。记得，正则表达式虽然强大，但也可能复杂难懂，使用时应确保充分测试以避免错误。