python使用正则表达式匹配反斜杠\遇到的问题

遇到的问题：

在做爬虫的时候，爬取的url链接内还有转义字符，反斜杠 \，打算用正则的re.sub()替换掉的时候遇到了问题，这是要做替换的字符串

最开始直接写

re.sub("\\","",item)

编译器漏红了

然后就是找解决办法，最后发现要用四个反斜杠才可以，也就是使用

re.sub("\\\\","",item)

查了查资料，简单说说我自己的理解。

正则表达式

首先就是正则表达式，对于正则表达式来说，他的语法是独立的，有自己的语法，在正则表达式中，由于反斜杠 \ 是一个特殊字符，可以和其他字母形成转义字符，所以要想表示一个反斜杠 \ 就必须写成 \\ 这种形式。所以对于正则表达式来说，如果要匹配一个\ 就要写成\\，像这样：

python字符串

在python中，如果想要输出一个反斜杠\字符，同样要使用转义：

>>> print("\\")
\

同样是因为在python中反斜杠也是一个特殊字符。

综上

当写成

    item = "https:\/\/jobs.51job.com/guangzhou-thq\/137115906.html?s=sou_sou_soulb&t=0_0"
    item = re.sub("\\\\","",item)

首先传入的一个参数是一个字符串，所以python中的字符串解析器会把"\\\\"解析成
\\，解析之后会再传递给正则表达式的解析器。由于正则表达式也有自己的语法结构，所以当它看到\\时，会把它解析为一个\，所以这时候正则匹配就会只匹配一个\。

贴一个Stackoverflow上的回答:

If you’re putting this in a string within a program, you may actually
need to use four backslashes (because the string parser will remove
two of them when “de-escaping” it for the string, and then the regex
needs two for an escaped regex backslash).
For instance:

regex("\\\\") is interpreted as…

regex("\\" [escaped backslash] followed by "\\" [escaped backslash])
is interpreted as…

regex(\\) is interpreted as a regex that matches a single backslash.

原文地址：Can’t escape the backslash with regex?

当然还可以使用 raw string来写，也就是写成

re.sub(r'\\','',item)

由于使用了r'\\'，python的字符串解析器看到r'\\'之后，就直接将外层的r''去掉然后传递给re解析器，re解析器会再次解析\\为\，匹配内容是一个反斜杠\

字符串方法replace()

除了使用正则替换之外，还可以使用字符串的replace()

str.replace(old, new[, max])
old – 将被替换的子字符串。
new – 新字符串，用于替换old子字符串。
max – 可选字符串, 替换不超过 max 次

>>> item
'https:\\/\\/jobs.51job.com/guangzhou-thq\\/137115906.html?s=sou_sou_soulb&t=0_0'
>>> item.replace('\\','')
'https://jobs.51job.com/guangzhou-thq/137115906.html?s=sou_sou_soulb&t=0_0'
>>>

需要注意的是不论是正则的re.sub()还是str.replace()，使用之后都不会对原始字符串改变：

import re

urL ='https:\/\/jobs.51job.com\/guangzhou-thq\/137735415.html?s=sou_sou_soulb&t=0_0'
print(urL.replace('\\',''))
print(urL)

print(re.sub(r'\\','',urL))
print(urL)

总结 

到此这篇关于python使用正则表达式匹配反斜杠\遇到问题的文章就介绍到这了,更多相关python正则表达式匹配反斜杠\内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！