阅读量:0
一、什么是Re解析
“Re解析”是指使用正则表达式（regular expression，简称regex）进行文本解析或匹配的过程。
解析网页内容的三种方式：
1、bs4解析（最简单）
2、re解析（解析速度最快）
3、xpath解析（语法规则最舒服）
选择解析方法通常取决于要处理的文档类型和具体的任务需求。
Beautiful Soup适合处理不规范的HTML和简单的数据提取；
正则表达式适合对文本模式进行精确匹配和替换；
而XPath则是处理复杂XML文档和需要精确节点定位的首选工具。
二、正则表达式
正则的语法：使用元字符进行排列组合，用来匹配字符串。
（元字符：具有固定含义的特殊符号）
在线正则表达式测试网址：https://tool.oschina.net/regex/
1、常用元字符：
| . （除换行符以外的任意字符） | |
| \w （数字、字母和下划线） | \W （\w的反义） |
| \d （数字） | \D （非数字） |
| \s （空白符） | \S （非空白符） |
| \n （换行符） | \t （制表符） |
^ （字符串的开始） （比如：^\d\d\d\d\d\d$） | $ （字符串的结尾） |
a|b （匹配字符串a或字符串b） （比如：10010|10086） | |
[...] （匹配字符组中含有的字符） （比如：[a-zA-Z0-9]表示 匹配所有数字和字母） | [^...] （匹配除了字符组中字符 的所有字符） |
2、量词：
量词：控制前面的元字符出现的次数
| * | 重复0次或更多次 |
| + | 重复1次或更多次 |
| ？ | 重复0次或1次 |
| {n} | 重复n次 |
| {n,} | 重复n次或更多次 |
| {n,m} | 重复n到m次 |
比如：\d+表示一串数字，前后可以是其他类型的内容
^\d+表示字符串的开头必须是一串数字 （前面不能有其他类型的内容）
3、贪婪匹配和惰性匹配：
| .* | 贪婪匹配 |
| .*? | 惰性匹配 |
贪婪匹配：尽可能多地匹配内容
惰性匹配（爬虫常用）：尽可能少地匹配内容
举个例子：
玩儿开心消消乐游戏吗？晚上一起玩游戏。干嘛呢？打游戏啊！
匹配：玩儿.*?游戏
结果：玩儿开心消消乐游戏
原理：回溯算法
先找“玩儿”，然后“.*游戏”表示尽可能多地找，找到最后一个“游戏”，再是“？”表示尽可能少地找，逼迫着计算机回溯找反方向的最后一个“游戏”。
三、Re模板
Re模板为python自带的内置模块，是标准库的一部分，不需要自己安装。
六小点：
1、findall(正则，字符串) 全局匹配，返回列表list
2、finditer 全局匹配，返回迭代器iter （ .group() ）
3、search 仅能匹配出第一个结果 （ .group() ）
4、match 从头开始匹配（相当于给正则加上^）（ .group() ）
5、compile(正则) 预加载
6、（?P<组名>正则） 精细筛选 （ .group（“组名”））
注意：要不要加上“ ”
import re # re.findall(pattern,string,flags=0) # 返回字符串中所有符合正则的内容，组成一个列表 list=re.findall(r"\d+","我的电话号码是：10086，他的电话号码是：10010") print(list) #"\d"前加r，可以防止出现波浪线 # re.finditer(pattern,string,flags) # 返回字符串中所有符合正则的内容（不过以match方式呈现），组成一个迭代器 it=re.finditer(r"\d+","我的电话号码是：10086，他的电话号码是：10010") for i in it: print(i.group()) # list可以直接到打印，而迭代器需要利用for循环来逐个打印其中内容(迭代器的效率比列表高) # 迭代器中包含的是match对象，要想拿到实际内容需要用到.group() # re.search(pattern,string,flags) # 返回字符串中第一个符合正则的内容（不过以match方式呈现），相当于迭代器的第一个迭代结果 s=re.search(r"\d+","我的电话号码是：10086，他的电话号码是：10010") print(s.group()) # 要想拿到实际数据同样要用到.group() # re.match(pattern,string,flags) # 从头开始匹配，相当于把"\d+"变成了"^\d+"，表示字符串的开头必须是纯数字 # 否则会出现AttributeError: 'NoneType' object has no attribute 'group' m=re.match(r"\d+","10086，他的电话号码是：10010") print(m.group()) # find全局匹配（findall返回列表，finditer返回迭代器），search匹配第一个，match从头开始匹配 #预加载（预编译）正则表达式（若正则表达式很长，先预加载好，后续直接用、反复用，可以提高一点效率） # obj=re.comfile(pattern,flags) # obj.finditer(string) obj=re.compile(r"\d+") it=obj.finditer("我的电话号码是：10086，他的电话号码是：10010") for i in it: print(i.group()) content=""" <div class='a'><span id='1'>刘亦菲</span></div> <div class='b'><span id='2'>宋祖儿</span></div> <div class='c'><span id='3'>谷爱凌</span></div> """ # re.S: 让 . 能匹配换行符，防止匹配的内容断掉 obj1=re.compile(r"<div class='.*?'><span id='(?P<id>\d+)'>(?P<wahaha>.*?)</span></div>",re.S) res=obj1.finditer(content) for i in res: print(i.group("wahaha")) print(i.group("id")) # 就是套娃，写模板 # 精细筛选（可以单独从正则匹配的内容中进一步提取内容）：(?P<组名>正则) .group("组名")