在前面我們已經搞定了怎樣獲取頁面的內容，不過還差一步，這么多雜亂的代碼夾雜文字我們怎樣把它提取出來整理呢？下面就開始介紹一個十分強大的工具，正則表達式！ ## 1.了解正則表達式 > 正則表達式是對字符串操作的一種[邏輯]公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個“規則字符串”，這個“規則字符串”用來表達對字符串的一種過濾邏輯。 正則表達式是用來匹配字符串非常強大的工具，在其他編程語言中同樣有正則表達式的概念，Python同樣不例外，利用了正則表達式，我們想要從返回的頁面內容提取出我們想要的內容就易如反掌了。 > 正則表達式的大致匹配過程是： > 1.依次拿出表達式和文本中的字符比較， > 2.如果每一個字符都能匹配，則匹配成功；一旦有匹配不成功的字符則匹配失敗。 > 3.如果表達式中有量詞或邊界，這個過程會稍微有一些不同。 ## 2.正則表達式的語法規則 下面是Python中正則表達式的一些匹配規則，圖片資料來自CSDN [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/20130515113723855.png) ## 3.正則表達式相關注解 ### （1）數量詞的貪婪模式與非貪婪模式 正則表達式通常用于在文本中查找匹配的字符串。Python里數量詞默認是貪婪的（在少數語言里也可能是默認非貪婪），總是嘗試匹配盡可能多的字 符；非貪婪的則相反，總是嘗試匹配盡可能少的字符。例如：正則表達式”ab*”如果用于查找”abbbc”，將找到”abbb”。而如果使用非貪婪的數量 詞”ab*?”，將找到”a”。 注：我們一般使用非貪婪模式來提取。 ### （2）反斜杠問題 與大多數[編程語言]相 同，正則表達式里使用”\”作為轉義字符，這就可能造成反斜杠困擾。假如你需要匹配文本中的字符”\”，那么使用編程語言表示的正則表達式里將需要4個反 斜杠”\\\\”：前兩個和后兩個分別用于在編程語言里轉義成反斜杠，轉換成兩個反斜杠后再在正則表達式里轉義成一個反斜杠。 Python里的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用r”\\”表示。同樣，匹配一個數字的”\\d”可以寫成r”\d”。有了原生字符串，媽媽也不用擔心是不是漏寫了反斜杠，寫出來的表達式也更直觀勒。 ## 4.Python Re模塊 Python 自帶了re模塊，它提供了對正則表達式的支持。主要用到的方法列舉如下 ~~~ #返回pattern對象 re.compile(string[,flag])?? #以下為匹配所用函數 re.match(pattern, string[, flags]) re.search(pattern, string[, flags]) re.split(pattern, string[, maxsplit]) re.findall(pattern, string[, flags]) re.finditer(pattern, string[, flags]) re.sub(pattern, repl, string[, count]) re.subn(pattern, repl, string[, count]) ~~~ 在介紹這幾個方法之前，我們先來介紹一下pattern的概念，pattern可以理解為一個匹配模式，那么我們怎么獲得這個匹配模式呢？很簡單，我們需要利用re.compile方法就可以。例如 `pattern = re.compile(r'hello')` 在參數中我們傳入了原生字符串對象，通過compile方法編譯生成一個pattern對象，然后我們利用這個對象來進行進一步的匹配。 另外大家可能注意到了另一個參數 flags，在這里解釋一下這個參數的含義： 參數[flag]是匹配模式，取值可以使用按位或運算符’|’表示同時生效，比如re.I | re.M。 可選值有： ~~~ ? re.I(全拼：IGNORECASE): 忽略大小寫（括號內是完整寫法，下同） ? re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖） ? re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行為 ? re.L(全拼：LOCALE): 使預定字符類 \w \W \b \B \s \S 取決于當前區域設定 ? re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性 ? re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。 ~~~ 在剛才所說的另外幾個方法例如 re.match 里我們就需要用到這個pattern了，下面我們一一介紹。 > 注：以下七個方法中的[flag]s同樣是代表匹配模式的意思，如果在pattern生成時已經指明了flags，那么在下面的方法中就不需要傳入這個參數了。 ### （1）re.match(pattern, string[, flags]) 這個方法將會從string（我們要匹配的字符串）的開頭開始，嘗試匹配pattern，一直向后匹配，如果遇到無法匹配的字符，立即返回 None，如果匹配未結束已經到達string的末尾，也會返回None。兩個結果均表示匹配失敗，否則匹配pattern成功，同時匹配終止，不再對 string向后匹配。下面我們通過一個例子理解一下 ~~~ __author__ = 'CQC' # -*- coding: utf-8 -*- #導入re模塊 import re # 將正則表達式編譯成Pattern對象，注意hello前面的r的意思是“原生字符串” pattern = re.compile(r'hello') # 使用re.match匹配文本，獲得匹配結果，無法匹配時將返回None result1 = re.match(pattern,'hello') result2 = re.match(pattern,'helloo CQC!') result3 = re.match(pattern,'helo CQC!') result4 = re.match(pattern,'hello CQC!') #如果1匹配成功 if result1: ????# 使用Match獲得分組信息 ????print result1.group() else: ????print '1匹配失敗！' #如果2匹配成功 if result2: ????# 使用Match獲得分組信息 ????print result2.group() else: ????print '2匹配失敗！' #如果3匹配成功 if result3: ????# 使用Match獲得分組信息 ????print result3.group() else: ????print '3匹配失敗！' #如果4匹配成功 if result4: ????# 使用Match獲得分組信息 ????print result4.group() else: ????print '4匹配失敗！' ~~~ 運行結果 ~~~ hello hello 3匹配失敗！ hello ~~~ 匹配分析 1.第一個匹配，pattern正則表達式為’hello’，我們匹配的目標字符串string也為hello，從頭至尾完全匹配，匹配成功。 2.第二個匹配，string為helloo CQC，從string頭開始匹配pattern完全可以匹配，pattern匹配結束，同時匹配終止，后面的o CQC不再匹配，返回匹配成功的信息。 3.第三個匹配，string為helo CQC，從string頭開始匹配pattern，發現到 ‘o’ 時無法完成匹配，匹配終止，返回None 4.第四個匹配，同第二個匹配原理，即使遇到了空格符也不會受影響。 我們還看到最后打印出了result.[group]()，這個是什么意思呢？下面我們說一下關于match對象的的屬性和方法 Match對象是一次匹配的結果，包含了很多關于此次匹配的信息，可以使用Match提供的可讀屬性或方法來獲取這些信息。 > 屬性： > 1.string: 匹配時使用的文本。 > 2.re: 匹配時使用的Pattern對象。 > 3.pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。 > 4.endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數相同。 > 5.lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。 > 6.lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。 > > 方法： > 1.group([group1, …]): > 獲得一個或多個分組截獲的字符串；指定多個參數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數時，返回[group](0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。 > 2.groups([default]): > 以元組形式返回全部分組截獲的字符串。相當于調用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。 > 3.groupdict([default]): > 返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。 > 4.start([group]): > 返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。 > 5.end([group]): > 返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）。group默認值為0。 > 6.span([group]): > 返回(start([group]), end(group))。 > 7.expand(template): > 將匹配到的分組代入template中然后返回。template中可以使用\id或\g、\g引用分組，但不能使用編號0。\id與\g是等價的；但\10將被認為是第10個分組，如果你想表達\1之后是字符’0’，只能使用\g0。 下面我們用一個例子來體會一下 ~~~ # -*- coding: utf-8 -*- #一個簡單的match實例 import re # 匹配如下內容：單詞+空格+單詞+任意字符 m = re.match(r'(\w+) (\w+)(?P.*)', 'hello world!') print "m.string:", m.string print "m.re:", m.re print "m.pos:", m.pos print "m.endpos:", m.endpos print "m.lastindex:", m.lastindex print "m.lastgroup:", m.lastgroup print "m.group():", m.group() print "m.group(1,2):", m.group(1, 2) print "m.groups():", m.groups() print "m.groupdict():", m.groupdict() print "m.start(2):", m.start(2) print "m.end(2):", m.end(2) print "m.span(2):", m.span(2) print r"m.expand(r'\g \g\g'):", m.expand(r'\2 \1\3') ### output ### # m.string: hello world! # m.re: # m.pos: 0 # m.endpos: 12 # m.lastindex: 3 # m.lastgroup: sign # m.group(1,2): ('hello', 'world') # m.groups(): ('hello', 'world', '!') # m.groupdict(): {'sign': '!'} # m.start(2): 6 # m.end(2): 11 # m.span(2): (6, 11) # m.expand(r'\2 \1\3'): world hello! ~~~ ### （2）re.search(pattern, string[, flags]) search方法與match方法極其類似，區別在于match()[函數]只檢測re是不是在string的開始[位置]匹配，search()會掃描整個string查找匹配，match（）只有在0位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match()就返回None。同樣，search方法的返回對象同樣match()返回對象的方法和屬性。我們用一個例子感受一下 ~~~ #導入re模塊 import re # 將正則表達式編譯成Pattern對象 pattern = re.compile(r'world') # 使用search()查找匹配的子串，不存在能匹配的子串時將返回None # 這個例子中使用match()無法成功匹配 match = re.search(pattern,'hello world!') if match: ????# 使用Match獲得分組信息 ????print match.group() ### 輸出 ### # world ~~~ ### （3）re.split(pattern, string[, maxsplit]) 按照能夠匹配的子串將string分割后返回列表。maxsplit用于指定最大分割次數，不指定將全部分割。我們通過下面的例子感受一下。 ~~~ import re pattern = re.compile(r'\d+') print re.split(pattern,'one1two2three3four4') ### 輸出 ### # ['one', 'two', 'three', 'four', ''] ~~~ ### （4）re.findall(pattern, string[, flags]) 搜索string，以列表形式返回全部能匹配的子串。我們通過這個例子來感受一下 ~~~ import re pattern = re.compile(r'\d+') print re.findall(pattern,'one1two2three3four4') ### 輸出 ### # ['1', '2', '3', '4'] ~~~ ### （5）re.finditer(pattern, string[, flags]) 搜索string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。我們通過下面的例子來感受一下 ~~~ import re pattern = re.compile(r'\d+') for m in re.finditer(pattern,'one1two2three3four4'): ????print m.group(), ### 輸出 ### # 1 2 3 4 ~~~ ### （6）re.sub(pattern, repl, string[, count]) 使用repl替換string中每一個匹配的子串后返回替換后的字符串。 當repl是一個字符串時，可以使用\id或\g、\g引用分組，但不能使用編號0。 當repl是一個方法時，這個方法應當只接受一個參數（Match對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。 count用于指定最多替換次數，不指定時全部替換。 ~~~ import re pattern = re.compile(r'(\w+) (\w+)') s = 'i say, hello world!' print re.sub(pattern,r'\2 \1', s) def func(m): ????return m.group(1).title() + ' ' + m.group(2).title() print re.sub(pattern,func, s) ### output ### # say i, world hello! # I Say, Hello World! ~~~ ### （7）re.subn(pattern, repl, string[, count]) 返回 (sub(repl, string[, count]), 替換次數)。 ~~~ import re pattern = re.compile(r'(\w+) (\w+)') s = 'i say, hello world!' print re.subn(pattern,r'\2 \1', s) def func(m): ????return m.group(1).title() + ' ' + m.group(2).title() print re.subn(pattern,func, s) ### output ### # ('say i, world hello!', 2) # ('I Say, Hello World!', 2) ~~~ ## 5.Python Re模塊的另一種使用方式 在上面我們介紹了7個工具方法，例如match，search等等，不過調用方式都是 re.match，re.search的方式，其實還有另外一種調用方式，可以通過pattern.match，pattern.search調用，這樣 調用便不用將pattern作為第一個參數傳入了，大家想怎樣調用皆可。 [函數]API列表 ~~~ match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]) search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]) split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]) findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]) finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]) sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]) subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]) ~~~ 具體的調用方法不必詳說了，原理都類似，只是參數的變化不同。小伙伴們嘗試一下吧~ 小伙伴們加油，即使這一節看得云里霧里的也沒關系，接下來我們會通過一些實戰例子來幫助大家熟練掌握正則表達式的。 參考文章：此文章部分內容出自?[CNBlogs](http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html)