Python中的正则表达式

介绍

对于xpath和bs4不能匹配的数据，可以用正则表达式。正则表达式可以用于匹配复杂的数据，获取目标数据。

match方法

语法：match(正则表达式, 字符串)方法：

1. 参数1是匹配的正则表达式书写规则；
2. 参数2是从这个字符串中查询匹配；
3. 从第一个字符开始匹配，参数1表达式第一个字符必须匹配；
4. 只匹配一次；
5. 匹配成功，返回结果是正则对象；匹配失败，返回None；
6. 使用 .group() 获取匹配内容；

实例代码：

# 注意：需要导入re模块
import re

# 匹配到结果
s1 = 'python java css html'
res = re.match('python', s1).group()
print(res)

# 匹配不到结果
s1 = 'C++ python java css html'
# 因为匹配规则开头是python，但是匹配的字符不是以python开始的，所以无法匹配到结果
res = re.match('python', s1).group()
print(res)

search方法

语法：search(正则表达式, 字符串)方法：

1. 参数1是匹配的正则表达式书写规则；
2. 参数2是从这个字符串中查询匹配；
3. 不重头开始开始匹配，参数1表达式不一定必须匹配；
4. 只匹配一次；
5. 匹配成功，返回结果是正则对象；匹配失败，返回None；
6. 使用 .group() 获取匹配内容；

总结：search和match不同的是，不重头开始匹配。

findall方法

1. 参数1是匹配的正则表达式书写规则；
2. 参数2是从这个字符串中查询匹配；
3. 匹配多次，不限位置；
4. 返回值是列表；
5. 使用下标取值；

正则规则

. : 表示除了换行符之外，任意一个字符；

* : 表示前面的表达式出现一次或任意次；（尽可能多匹配）

? : 表示前面的表达式出现0次或1次；（尽可能少匹配）

\d : 表示匹配一个数字

\ : 转义字符

贪婪匹配和非贪婪匹配

贪婪匹配：.*

非贪婪匹配：.*?

示例代码：

# 贪婪匹配：.*
s1 ='<div>几个字符</div><a href="https://www.baidu.com"></a><div>Python</div>'
res = re.search('<div>.*</div>', s1).group()
print(res)  # <div>几个字符</div><a href="https://www.baidu.com"></a><div>Python</div>

# 非贪婪匹配：.*?
s1 ='<div>几个字符</div><a href="https://www.baidu.com"></a><div>Python</div>'
res = re.search('<div>.*?</div>', s1).group()
print(res)  # <div>几个字符</div>

分组

分组，也叫二次提取。使用括号包裹正则表达式，第一个括号包裹的方法是 .group(1) ，以次类推。

示例代码：

# 分组，二次提取数据
s1 ='<div>几个字符</div><a href="https://www.baidu.com"></a><div>Python</div>'
res = re.search('<div>(.*)</div><a href="(.*)">.*</a>', s1)
g1 = res.group(1)
g2 = res.group(2)
print(g1)  # 几个字符
print(g2)  # https://www.baidu.com

正则表达式默认不能匹配换行，如果需要匹配换行，可以在match方法或findall方法中添加第三个参数：re.S

import re

re.match('正则表达式', '字符串', re.S)

re.findall('正则表达式', '字符串', re.S)