解析网页之使用Re库解析网页

在python中，可用Re库使用表达正则表达式，所以我们先简单介绍一下正则表达式

1 正则表达式

1.1 正则表达式的表示类型

• 在Python中，采用raw string类型^[1]表示正则表达式

• 表示为：

  r'text'
  

  • 例如：

    r'[1-9]\d{5}'
    

1.2 正则表达式元字符

? 正则表达式右普通字符和元字符组成。普通字符表示自身；元字符有特殊含义

常用正则表达式元字符

常用元字符

1.3 正则表达式测试网站

• https://regex101.com/

1.4 常用正则表达式

• 匹配中文字符：[\u4e00-\u9fa5]

• 网址（URL）：[a-zA-z]+://[^\s]*

• QQ号码：[1-9]\d{4,}

2 Re库

re库主要用于字符串匹配，使用raw string类型来表达正则表达式

• 调用Re库

  import re
  

  • Re是python标准库

• 使用Re函数的格式

  Re库函数(pattern,string,flags=0)
  

  • pattern：表示正则表达式的字符或raw string
  • string：待匹配的字符
  • flags：正则表达式使用时的控制标记

2.1 Re库常用函数

2.2 Match对象的方法

• Match 对象(Object)是什么

  • Match对象是包含有关搜索和结果信息的对象。

    • 如果没有匹配项，则将返回值None，而不是Match Object。

      • 例如：

        import re
        txt = "Hello World"
        x = re.search("1", txt)
        print(x) #输出的是一个对象
        

        None
        

  • Match对象具有用于检索有关搜索信息的属性和方法

• Match对象的方法

  • 方法	说明
    .group(0)	获取匹配后的字符串。0参数表示
    .start()	匹配字符串在原始字符串的开始位置
    .end()	匹配字符串在原始字符串的结束位置
    .span()	返回（.start(),end()）

    • match.group()加餐：

      1. 不含参数的时候，返回整个匹配对象
      2. 含有一个参数的时候，返回参数对应分组的对象
      3. 含有多个参数的时候，以元组的形式返回参数对应的分组

      import re
      m = re.match(r"(\w+) (\w+)", "Isaac Newton, physicist")
      print(m.group(0))		# The entire match
      print(m.group(1))       # The first parenthesized subgroup.
      print(m.group(2))       # The second parenthesized subgroup.
      print(m.group(1, 2))    # Multiple arguments give us a tuple.
      ('Isaac', 'Newton')
      

      Isaac Newton
      Isaac
      Newton
      ('Isaac', 'Newton')