Python爬虫正则表达式常用符号和方法

  • Post category:Python

Python爬虫正则表达式常用符号和方法

正则表达式是一种强大的工具,可以用于匹配、查找和替换文本中的模式。在Python爬虫中,正则表达式常用于解析HTML、XML等文本数据。本攻略将详细讲解Python爬虫正则表达式常用符号和方法,包括基本用法、常用符号和示例应用。

基本用法

在Python中使用re模块提供的函数来操作正则表达式。re模块提供了以下常用函数:

  • re.search(pattern, string, flags=0):在字符串中搜索正则表达式的第一个匹配项。
  • re.match(pattern, string, flags=0):在字符串的开头匹配正则表达式。
  • re.findall(pattern, string, flags=0):在字符串中搜索正则表达式的所有匹配项。
  • re.sub(pattern, repl, string, count=0, flags=0):在字符串中搜索正则表达式的所有匹配项,并将其换指定字符串。

其中,pattern参数表示正则表达式,string表示匹配的字符串,flags参数表示正则表达式的匹配模式。

常用符号

下面是一些常用的正则表达式符号:

  • .:匹配任意字符,除换行符。
  • *: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。
  • ^:匹配字符串的开头。
  • $:匹配字符串的结尾。
  • []:匹配括号中的任意一个字符。
  • ():将括号中的字符作为一个整体进行匹配。
  • |:匹配两个或多个正则表达式中的任意一个。

示例1:匹配字符串中的数字

下面是一个例子,演示如何使用正则表达匹配字符串中的数字:

import re

text = 'The price is $1099.'
pattern = r'\d+'
result = re.findall(pattern, text)
if result:
    print('Matches found:', result)
else:
    print('Matches not found')

在上面的代码中,我们使用正则表达式\d+匹配字符串中的数字。\d表示匹配一个数字字符,+表示匹配一个或多个数字字符。findall()函数可以返回所有匹配的结果。运行代码后,输出结果为Matches found: ['1099']

示例2:匹配HTML标签中的文本内容

下面是另一个例子,演示如何使用正则表达式匹配HTML标签中的文本内容:

import re

text '<h1>Welcome to my website</h1>'
pattern = r'<.*?>(.*?)</.*?>'
result = re.search(pattern, text)
if result:
    print('Match found:', result.group(1))
else:
    print('Match not found')

在上面的代码中,我们使用正则表达式<.?>(.?)匹配HTML标签中的文本内容。<.?>表示匹配一个或多个任意字符,.?表示非贪婪匹配,()表示将.*?匹配到的字符串作为捕获组。search()用于在字符串中搜索正则表达式的第一个匹配项。运行代码后,输出结果为Match found: Welcome to my website`。

总结

本攻略详细讲解了Python爬虫正则表达式常用符号和方法,包括基本用法、常用符号和示例应用。正则表达式是一种强大的工具,可以用于解析HTML、XML等文本数据。演示了如何使用正则表达式匹配字符串中的数字、匹配HTML标签中文本内容。希望读者可以通过这些示例更好地理解正则表达式的应用。