【学习笔记】37、用正则表达式解析和提取数据

用正则表达式解析和提取数据

正则表达式是一种非常好用的信息提取手段，它可以高效的从文本中提取所需信息。

1、findall()函数

基本语法格式：

re.findall(匹配规则，原始文本)

例子：提取“Hello 123 World！”中的3个数字。

匹配规则中，‘/d’表示匹配一个数字，连续三个‘/d’就表示匹配连续的三个数字。

返回的结果是一个含有字符串元素的列表，而不是单纯的字符串或者数字。

常见的匹配符

符号	含义
\d	匹配1个数字字符
\w	匹配1个字母、数字或下划线字符
\s	匹配1个空白字符（换行符、制表符、普通空格等）
\S	匹配1个非空白字符
\n	匹配1个换行符（相当于按下一次回车）
\t	匹配1个制表符（相当于按下Tab键或者8次空格键）
.	匹配1个任意字符，换行符除外
*	匹配0个或者多个表达式
+	匹配1个或者多个表达式
?	常与“.”和“*”配合使用，组成非贪婪匹配
()	匹配括号内的表达式，也表示一个组

**2、非贪婪匹配“(.*?)**”

“.”表示匹配除了换行符以外的1个任意字符，“*”表示匹配0个或者多个表达式，两者合在一起“.*”则称的规则称为贪婪匹配，如果后面再加上“？”就变成了非贪婪匹配。

“(.*?)”用于提取文本A与文本B之间的内容，并不需要知道内容的确切长度和格式，但是需要知道内容位于哪两串文本之间，基本语法如下：

文本A(.*?)文本B

**3、非贪婪匹配“.*?**”

另一种非贪婪匹配的语法格式如下：

文本A.*?文本B

“.*?”用于代替文本A和文本B之间的所有内容，因为文本A和文本B之间的内容经常变动或者毫无规律，不能直接写到匹配规则里面，也或者文本A和文本B之间的内容很多，不方便写到匹配规则里面。

4、自动考虑换行的修饰符re.S

修饰符有很多，最常用的是re.S，其作用是让findall()函数再查找时可以自动考虑换行的影响，使得贪婪匹配可以匹配换行。

基本的语法格式如下：

re.findall(匹配规则，原始文本，re.S)

5、辅助功能介绍

sub()函数

sub()函数名称源于英文单词substitute（替换），作用是清洗正则表达式提取出来的内容，其基本语法如下：

re.sub(需要替换的内容，替换值，原字符串)

比如正则表达式提取出来的内容中还夹杂着一些无用内容，传统的处理方式是使用replace()函数处理，当然也可以，但是使用sub()函数则更加灵活高效。

其中的“<.*?>”代表任何“<***>”形式的字符串，这样一来自然涵盖了全部内容。

中括号“[ ]”的用法

在正则表达式中，“.”、“*”、“？”等符号都有特殊的含义，那么如果想要匹配的就是这些字符怎么办呢？这里就需要使用中括号“[ ]”，取消这些符号的特殊含义。

6、综合实例

爬取某小说网上某部小说的全部章节，保存到本地txt文件中。