正則表達式
https://www.cnblogs.com/tina-python/p/5508402.html
-
簡介
正則表達式本身是一種小型的、高度專業化的編程語言,而在python中,
通過內嵌集成re模塊,程序媛們可以直接調用來實現正則匹配。
正則表達式模式被編譯成一系列的字節碼,然後由用C編寫的匹配引擎執行。 -
語法規則
-
普通字符和11個元字符:
普通字符 匹配自身 abc abc . 匹配任意除換行符"\n"外的字符(在DOTALL模式中也能匹配換行符 a.c abc \ 轉義字符,使後一個字符改變原來的意思 a.c;a\c a.c;a\c * 匹配前一個字符0或多次 abc* ab;abccc + 匹配前一個字符1次或無限次 abc+ abc;abccc ? 匹配一個字符0次或1次 abc? ab;abc ^ 匹配字符串開頭。在多行模式中匹配每一行的開頭 ^abc abc $ 匹配字符串末尾,在多行模式中匹配每一行的末尾 abc$ abc | 或。匹配 左右表達式任意一個,從左到右匹配,如果 沒有包括在()中,則它的範圍是整個正則表達式 {} {m}匹配前一個字符m次,{m,n}匹配前一個字符m至n次,若省略n,則匹配m至無限次 ab{1,2}c abc abbc [] 字符集。對應的位置可以是字符集中任意字符。字符集中的字符可以逐個列出,也可以給出範圍,如[abc]或[a-c]。[^abc]表示取反,即非abc。所有特殊字符在字符集中都失去其原有的特殊含義。用\反斜槓轉義恢復特殊字符的特殊含義。 a[bcd]e abe ace ade () 被括起來的表達式將作爲分組,從表達式左邊開始沒遇到一個分組的左括號“(”,編號+1.分組表達式作爲一個整體,可以後接數量詞。表達式中的 僅在該組中有效。 (abc){2}a(123 這裏需要強調一下反斜槓\的作用:
- 反斜槓後邊跟元字符去除特殊功能;(即將特殊字符轉義成普通字符)
- 反斜槓後邊跟普通字符實現特殊功能;(即預定義字符)
- 引用序號對應的字組所匹配的字符串。
a=re.search(r'(tina)(fei)haha\2','tinafeihahafei tinafeihahatina').group() print(a) 結果: tinafeihahafei
-
預定義字符集(可以寫在字符集[…]中)
-
\d 數字:[0-9]
-
\D 非數字:[^\d]
-
\s 匹配任何空白字符:[<空格>\t\r\n\f\v]
-
\S 非空白字符:[^\s]
-
\w 匹配包括下劃線在內的任何字字符:[A-Za-z0-9_]
-
\W 匹配非字母字符,即匹配特殊字符
-
\A 僅匹配字符串開頭,同^ \Aabc
-
\Z 僅匹配字符串結尾,同$
-
\b 匹配\w和\W之間,即匹配單詞邊界匹配一個單詞邊界,也就是指單詞和空格間的位置。例如, ‘er\b’ 可以匹配"never" 中的 ‘er’,但不能匹配 “verb” 中的 ‘er’。 \babc\b
a\b!bc 空格abc空格
a!bc -
\B [^\b]
import re w = re.findall(r'\bzhan','zhan liang') print(w) s = re.findall(r'\btina','tiana tinaaaa') print(s) v = re.findall(r'\btina','tian#tinaaaa') print(v) a = re.findall(r'\btina\b','tian#tina@aaa') print(a)
-
-
特殊分組用法:
(?P<name>) 分組,除了原有的編號外再指定一個額外的別名 (?Pabc){2} abcabc (?P=name) 引用別名爲的分組匹配到字符串 (?P\d)abc(?P=id) 1abc15abc5 \<number> 引用編號爲的分組匹配到字符串 (\d)abc\1 1abc15abc5
-
-
re模塊中常用功能函數
-
compile()
編譯正則表達式模式,返回一個對象的模式。(可以把那些常用的正則表達式編譯成正則表達式對象,
這樣可以提高一點效率。)regex01=re.compile(r'^李\w{1,2}$') # regex01=re.compile(r'李\w{1,2}') #如果不加上開始和結束標誌,其實就是匹配部分數據,下面的字符串就會匹配'李小飛' str01='李小飛龍' res01=regex01.findall(str01) print(res01)
-
match()
決定re是否在字符串剛開始的位置匹配。//注:這個方法並不是完全匹配。
當pattern結束時若string還有剩餘字符,
仍然視爲成功。想要完全匹配,可以在表達式末尾加上邊界匹配符’$’#匹配模式 #如果單純是測定字符串是否匹配正則表達式的規則,則不需要用到"()" #如果沒有匹配結果爲none m = re.match(r'^\d{3}-\d{3,8}$', '010-12345') #分組 一定要用到分組符號"()" m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345') print(m.group(0)) print(m.group(1)) print(m.group(2)) print(m.groups()) #提取時間 t = '19:05:30' rt = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t) print(rt.groups())
沒有()就是匹配模式,有了()就是分組查找模式
-
search()
格式:
re.search(pattern, string, flags=0) re.search函數會在字符串內查找模式匹配,只要找到第一個匹配然後返回,如果字符串沒有匹配,則返回None。 print(re.search('\dcom','www.4comrunoob.5com').group()) 執行結果如下: 4com
-
findall()
re.findall遍歷匹配,可以獲取字符串中所有匹配的字符串,返回一個列表。
格式:
re.findall(pattern, string, flags=0)
p = re.compile(r'\d+') print(p.findall('o1n2m3k4')) 執行結果如下: ['1', '2', '3', '4'] 複製代碼 import re tt = "Tina is a good girl, she is cool, clever, and so on..." rr = re.compile(r'\w*oo\w*') print(rr.findall(tt)) print(re.findall(r'(\w)*oo(\w)',tt))#()表示子表達式 執行結果如下: ['good', 'cool'] [('g', 'd'), ('c', 'l')]
簡單爬蟲
regex=re.compile(r'<li>(.+?)</li>') str01=' <html lang="en"> <head> <meta charset="UTF-8"> <title>Title</title> </head> <body> <li>001</li> <li>002</li> <li>003</li> <li>004</li> </body> </html> ' # str01=re.sub(r"\r|\n", "",str01) # print(str01) res01=regex.findall(str01) print(res01)
-
split()
按照能夠匹配的子串將string分割後返回列表。
可以使用re.split來分割字符串,如:re.split(r’\s+’, text);將字符串按空格分割成一個單詞列表。
格式:
re.split(pattern, string[, maxsplit]) maxsplit用於指定最大分割次數,不指定將全部分割。 print(re.split('\d+','one1two2three3four4five5')) 執行結果如下: ['one', 'two', 'three', 'four', 'five', '']
-
sub()
使用re替換string中每一個匹配的子串後返回替換後的字符串。
格式:
re.sub(pattern, repl, string, count) 複製代碼 import re text = "JGood is a handsome boy, he is cool, clever, and so on..." print(re.sub(r'\s+', '-', text)) 執行結果如下: JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on... 其中第二個函數是替換後的字符串;本例中爲'-' 第四個參數指替換個數。默認爲0,表示每個匹配項都替換。
re.sub還允許使用函數對匹配項的替換進行復雜的處理。
如:re.sub(r’\s’, lambda m: ‘[’ + m.group(0) + ‘]’, text, 0);將字符串中的空格’ ‘替換爲’[ ]’。
import re text = "JGood is a handsome boy, he is cool, clever, and so on..." print(re.sub(r'\s+', lambda m:'['+m.group(0)+']', text,0)) 執行結果如下: JGood[ ]is[ ]a[ ]handsome[ ]boy,[ ]he[ ]is[ ]cool,[ ]clever,[ ]and[ ]so[ ]on...
-
一些注意點
-
re.match與re.search與re.findall的區別:
re.match只匹配字符串的開始,如果字符串開始不符合正則表達式,
則匹配失敗,函數返回None;而re.search匹配整個字符串,直到找到一個匹配。a=re.search('[\d]',"abc33").group() print(a) p=re.match('[\d]',"abc33") print(p) b=re.findall('[\d]',"abc33") print(b) 執行結果: 3 None ['3', '3']
-
貪婪匹配與非貪婪匹配
- ? ,+? ,?? ,{m,n}?
前面的*,+,?等都是貪婪匹配,也就是儘可能匹配,後面加?號使其變成惰性匹配
demo1
a = re.findall(r"a(\d+?)",'a23b') print(a) b = re.findall(r"a(\d+)",'a23b') print(b) 執行結果: ['2'] ['23'] a = re.match('<(.*)>','<H1>title<H1>').group() print(a) b = re.match('<(.*?)>','<H1>title<H1>').group() print(b) 執行結果: <H1>title<H1> <H1>
demo2
a = re.findall(r"a(\d+)b",'a3333b') print(a) b = re.findall(r"a(\d+?)b",'a3333b') print(b) 執行結果如下: ['3333'] ['3333'] ####################### 這裏需要注意的是如果前後均有限定條件的時候,就不存在什麼貪婪模式了,非匹配模式失效。
- ? ,+? ,?? ,{m,n}?