玩转Python爬虫中的正则表达式:从原理到实战!

🔸 正则表达式原理概述

正则表达式(Regular Expression,简称RE)是一种用于匹配文本的强大工具。它通过一些特殊字符(称为元字符)和模式,能够在文本中进行搜索、替换和解析操作。Python中的re模块提供了对正则表达式的支持,使我们可以方便地进行文本处理。


🔸 通用符号学习:各种元字符

让我们先来学习一些常见的元字符及其含义:

  • . :匹配除换行符外的任意字符
  • ^ :匹配字符串的开头
  • $ :匹配字符串的结尾
  • * :匹配前面的字符零次或多次
  • + :匹配前面的字符一次或多次
  • ? :匹配前面的字符零次或一次
  • {n} :匹配前面的字符恰好n次
  • {n,} :匹配前面的字符至少n次
  • {n,m} :匹配前面的字符至少n次,但不超过m次
  • [] :匹配方括号内的任意字符
  • | :匹配左右任意一个表达式
  • () :标记一个子表达式,用于分组和提取

🔹 常见的转义字符:

  • \d :匹配任何十进制数字,相当于[0-9]
  • \D :匹配任何非数字字符,相当于[^0-9]
  • \w :匹配任何字母数字字符及下划线,相当于[A-Za-z0-9_]
  • \W :匹配任何非字母数字字符及下划线,相当于[^A-Za-z0-9_]
  • \s :匹配任何空白字符,相当于[ \t\n\r\f\v]
  • \S :匹配任何非空白字符,相当于[^ \t\n\r\f\v]

🔸 分组和通用匹配

在正则表达式中,使用圆括号()可以对模式进行分组,这样我们可以提取匹配的子字符串。

python 复制代码
import re

pattern = r"(\d{4})-(\d{2})-(\d{2})"
text = "2024-07-31"
match = re.match(pattern, text)
if match:
    year, month, day = match.groups()
    print(f"Year: {year}, Month: {month}, Day: {day}")

🔹 在这个示例中,模式 (\d{4})-(\d{2})-(\d{2}) 匹配日期格式 YYYY-MM-DD,并将年、月、日分别分组。


🔸 贪婪和非贪婪模式

正则表达式中的*+?等量词默认是贪婪的,即尽可能多地匹配字符。我们可以通过在量词后加上?来将其变为非贪婪模式,即尽可能少地匹配字符。

python 复制代码
import re

text = "<div>content</div><div>more content</div>"
pattern_greedy = r"<div>.*</div>"
pattern_non_greedy = r"<div>.*?</div>"

# 贪婪模式
greedy_match = re.findall(pattern_greedy, text)
print(f"Greedy match: {greedy_match}")

# 非贪婪模式
non_greedy_match = re.findall(pattern_non_greedy, text)
print(f"Non-greedy match: {non_greedy_match}")

🔹 在这个示例中,贪婪模式匹配了整个字符串,而非贪婪模式则分别匹配了每个<div>标签中的内容。


🔸 findall、match和search方法

Python的re模块提供了多种方法来进行正则表达式匹配:

  1. re.findall(pattern, string):返回所有与模式匹配的子串列表。
python 复制代码
import re

text = "There are 3 cats, 5 dogs, and 7 birds."
pattern = r"\d+"
matches = re.findall(pattern, text)
print(f"Numbers found: {matches}")
  1. re.match(pattern, string):从字符串的起始位置开始匹配模式,成功则返回Match对象,否则返回None
python 复制代码
import re

text = "2024-07-31"
pattern = r"\d{4}-\d{2}-\d{2}"
match = re.match(pattern, text)
if match:
    print(f"Matched: {match.group()}")
  1. re.search(pattern, string):搜索整个字符串,找到第一个与模式匹配的子串,成功则返回Match对象,否则返回None
python 复制代码
import re

text = "Contact us at support@example.com"
pattern = r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}"
match = re.search(pattern, text)
if match:
    print(f"Email found: {match.group()}")

🔸 总结

🔹 通过这次学习,我们掌握了正则表达式的基本原理、常用元字符、分组与匹配、贪婪与非贪婪模式,以及re模块中的常用方法。正则表达式在爬虫中非常实用,可以帮助我们高效地提取和处理文本数据。希望大家能够熟练掌握这些技巧,在实际项目中灵活运用!

相关推荐
数据智能老司机2 小时前
精通 Python 设计模式——分布式系统模式
python·设计模式·架构
数据智能老司机3 小时前
精通 Python 设计模式——并发与异步模式
python·设计模式·编程语言
数据智能老司机3 小时前
精通 Python 设计模式——测试模式
python·设计模式·架构
数据智能老司机3 小时前
精通 Python 设计模式——性能模式
python·设计模式·架构
c8i3 小时前
drf初步梳理
python·django
每日AI新事件3 小时前
python的异步函数
python
这里有鱼汤5 小时前
miniQMT下载历史行情数据太慢怎么办?一招提速10倍!
前端·python
databook14 小时前
Manim实现脉冲闪烁特效
后端·python·动效
程序设计实验室14 小时前
2025年了,在 Django 之外,Python Web 框架还能怎么选?
python
倔强青铜三16 小时前
苦练Python第46天:文件写入与上下文管理器
人工智能·python·面试