Python网络爬虫之正则表达式（二）

1 re模块

Python通过re模块提供对正则表达式的支持，使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

还是直接上代码：

上述代码的输出结果为：hello。

Pattern不能直接实例化，必须使用pile()进行构造。Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。pattern也可以理解为一个匹配模式。

接下来讲解一下Match对象，Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

string:匹配时使用的文本。re:匹配时使用的Pattern对象。pos:文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。endpos:文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。lastindex:最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。lastgroup:最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

group([group1,…]):获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。groups([default]):以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。groupdict([default]):返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。

2 pile(string[,flag])

此方法是通过第一个参数传入正则表达式的原生字符串，就可以编译生成pattern对象，还有另一参数flag是匹配模式，取值可以使用位运算符“|”来表示同时生效，具体的选值及其含义如下：

re.I(全拼：IGNORECASE):忽略大小写（括号内是完整写法，下同）re.M(全拼：MULTILINE):多行模式，改变^和$的行为re.S(全拼：DOTALL):点任意匹配模式，改变.的行为re.L(全拼：LOCALE):使预定字符类\w\W\b\B\s\S取决于当前区域设定re.U(全拼：UNICODE):使预定字符类\w\W\b\B\s\S\d\D取决于unicode定义的字符属性re.X(全拼：VERBOSE):详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

3 re.match(pattern, string[, flags])

这个方法将会从string的开头开始，尝试匹配pattern，一直向后匹配，如果遇到无法匹配的字符，立即返回None，如果匹配未结束已经到达string的末尾，也会返回None。两个结果均表示匹配失败，否则匹配pattern成功，同时匹配终止，不再对string向后匹配。

方法使用参考代码如下：

输出为：hello

4 re.search(pattern,string[,flags])

search方法与match方法极其类似，区别在于match()函数只检测re是不是在string的开始位置匹配，search()会扫描整个string查找匹配，match只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回None。同样，search方法的返回对象同样match()返回对象的方法和属性。

方法使用参考代码如下：

输出为：world

5 re.split(pattern, string[, maxsplit])

按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

输出为：[one, wo, hree]

6 re.findall(pattern, string[, flags])

搜索string，以列表形式返回全部能匹配的子串。

输出为：[1,2]

7 Re模块的另一种使用方法

上面诸如match、search等方法的调用，还可以通过pattern.match和pattern.search方法来完成，这样就避免了将pattern作为第一个参数传入啦，到底用那种方法，看个人的习惯就好。