正则表达式和re库的知识-python爬虫和信息提取1-北京理工大学-嵩天老师

一、正则表达式

1、基本概念

         两个字说，正则表达式的特点就是【简洁】。

2、正则表达式常用操作符

3、语法实例

  在此解释最后一个：{}的意思是Y重复的次数，加上:3后表示P和N之间有0~3个Y

二、Re库

1、基本概念：

（1）Re库主要用于字符串匹配

（2）其采用raw string类型（原生字符串类型）

（3）采用raw string类型表示正则表达式，格式为   r'text'

eg：r'[1-9]\d{5}'：由一个1~9的数和5个0~9的数组成的正则表达式

注：raw string是不包含对转义字符再次转义的字符串（如\d，在用string表示的情况下要写成\\d，但raw string没这种情况）

2、Re库主要功能函数 

（1）search():

1.  
   import re
2.  
   match = re.search(r'[1-9]\d{5}','BIT 100081')
3.  
   if match:
4.  
   print(match.group[0])
5.  
   #输出 100081

（2）match():

1.  
   import re
2.  
   match = re.match(r'[1-9]\d{5}','BIT 100081')
3.  
   if match:
4.  
   match.group(0)
5.  
    
6.  
    
7.  
   match.group(0)
8.  
   '''因为是从头匹配，由于开头不符合匹配条件，因此匹配失败；下半部分的代码就可以匹配成功
9.  
   Traceback (most recent call last):
10.  
    File "<pyshell#5>", line 1, in <module>
11.  
    match.group(0)
12.  
    AttributeError: 'NoneType' object has no attribute 'group'
13.  
    '''
14.  
    match = re.match(r'[1-9]\d{5}','100081 BIT')
15.  
    if match:
16.  
    match.group(0)
17.  
     
18.  
     
19.  
    '100081'

（3）findall():

1.  
   import re
2.  
   ls = re.findall(r'[1-9]\d{5}','BIT100081 TSU100084')
3.  
   ls
4.  
   ['100081', '100084']
5.  
   #原理是将可以匹配的字符串存储在一个列表中

 （4）split()

1.  
   import re
2.  
   re.split(r'[1-9]\d{5}','BIT100081 TSU100084')#作用是去掉匹配的字符串，将剩下部分存储在列表中
3.  
   ['BIT', ' TSU', '']
4.  
   re.split(r'[1-9]\d{5}','BIT100081 TSU100084',maxsplit=1)#最后maxsplit=1作用是只去掉前面一个匹#配的字符串
5.  
   ['BIT', ' TSU100084']

（5）finditer()

1.  
   import re
2.  
   for m in re.finditer(r'[1-9]\d{5}','BIT100081 TSU100084'):
3.  
   if m:
4.  
   print(m.group(0))
5.  
    
6.  
   # 匹配到一次返回一次
7.  
   100081
8.  
   100084

 （6）sub()

1.  
   import re
2.  
   re.sub(r'[1-9]\d{5}',':zipcode','BIT100081 TSU100084')
3.  
   'BIT:zipcode TSU:zipcode'
4.  
   #将所有的匹配部分换成zipcode

3、Re库另一种等价用法

这篇好文章是转载于：学新通技术网