1、正則表達式的組成
正則表達式可以從非結構化的文本中提取到我們想要的內容,其本質爲模式匹配,也是體現出智能化的最初手段,現在已經廣泛應用於自動化處理信息的流程之中,從爬蟲到人工智能,無處不在,其需求也是相當的大。通俗的來講,正則表達式就像是一個篩子,篩選出你所需要的信息。比如:在爬取網頁時,篩選出我們所需要的信息。
2、使用正則表達式的步驟
- 導入包:import re
- 根據需求指定正則表達式
- 編譯自定義的表達式
- 根據其表達式進行匹配
- 輸出結果
3、編寫正則表達式常用的幾個函數
-
re.match(pattern, string, flags=0)
嘗試從字符串的起始位置匹配一個模式,如果不是起始位置匹配成功的話,match()就返回none。 -
re.search(pattern, string, flags=0)
掃描整個字符串並返回第一個成功的匹配,只要有一個匹配成功,就停止匹配。 -
re.findall(string[, pos[, endpos]])
在字符串中找到正則表達式所匹配的所有子串,並返回一個列表,如果沒有找到匹配的,則返回空列表。
string 待匹配的字符串。
pos 可選參數,指定字符串的起始位置,默認爲 0。
endpos 可選參數,指定字符串的結束位置,默認爲字符串的長度。 -
re.finditer(pattern, string, flags=0) 和 findall
類似,在字符串中找到正則表達式所匹配的所有子串,並把它們作爲一個迭代器返回。 -
re.split(pattern, string[, maxsplit=0, flags=0]) split
方法按照能夠匹配的子串將字符串分割後返回列表。 -
re.compile(pattern[, flags]) compile
函數用於編譯正則表達式,生成一個正則表達式( Pattern)對象,供 match() 和 search() 這兩個函數使用。 -
re.sub(pattern, repl, string, count=0, flags=0) Python
的re模塊提供了re.sub用於替換字符串中的匹配項。pattern : 正則中的模式字符串。
repl : 替換的字符串,也可爲一個函數。
string : 要被查找替換的原始字符串。
count : 模式匹配後替換的最大次數,默認 0 表示替換所有的匹配。
flags : 編譯時用的匹配模式,數字形式。
#前三個爲必選參數,後兩個爲可選參數。#
注意: 1、match 和 search 是匹配一次,findall 匹配所有。
2、re.match與re.search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。
4、特殊符號的使用
由於正則表達式通常都包含反斜槓,所以你最好使用原始字符串來表示它們。模式元素(如 r’\t’,等價於 \t )匹配相應的特殊字符。
#常用元字符#
^ | 匹配字符串的開頭 |
---|---|
$ | 匹配字符串的末尾 |
. | 匹配任意字符,除了換行符,當re.DOTALL標記被指定時,則可以匹配包括換行符的任意字符 |
– | – |
[…] | 用來表示一組字符,單獨列出:[abc] 匹配 ‘a’,‘b’或’c’ |
[^…] | 不在[]中的字符:[^abc] 匹配除了a,b,c之外的字符 |
– | – |
re* | 匹配0個或多個的表達式 |
re+ | 匹配1個或多個的表達式 |
– | – |
re? | 匹配0個或1個由前面的正則表達式定義的片段,非貪婪方式 |
re{ n} | 匹配n個前面表達式。例如,"o{2}“不能匹配"Bob"中的"o”,但是能匹配"food"中的兩個o |
re{ n,} | 精確匹配n個前面表達式。例如,"o{2,}“不能匹配"Bob"中的"o”,但能匹配"foooood"中的所有o。"o{1,}“等價於"o+”。"o{0,}“則等價於"o*” |
re{ n, m} | 匹配 n 到 m 次由前面的正則表達式定義的片段,貪婪方式 |
a|b | 匹配a或b |
(re) | 匹配括號內的表達式,也表示一個組 |
(?imx) | 正則表達式包含三種可選標誌:i, m, 或 x 。隻影響括號中的區域 |
(?-imx) | 正則表達式關閉 i, m, 或 x 可選標誌。隻影響括號中的區域 |
(?: re) | 類似 (…), 但是不表示一個組 |
(?imx: re) | 在括號中使用i, m, 或 x 可選標誌 |
(?-imx: re) | 在括號中不使用i, m, 或 x 可選標誌 |
(?#…) | 註釋. |
(?= re) | 前向肯定界定符。如果所含正則表達式,以 … 表示,在當前位置成功匹配時成功,否則失敗。但一旦所含表達式已經嘗試,匹配引擎根本沒有提高;模式的剩餘部分還要嘗試界定符的右邊 |
(?! re) | 前向否定界定符。與肯定界定符相反;當所含表達式不能在字符串當前位置匹配時成功 |
(?> re) | 匹配的獨立模式,省去回溯 |
\w | 匹配數字字母下劃線 |
\W | 匹配非數字字母下劃線 |
\s | 匹配任意空白字符,等價於 [\t\n\r\f]。 |
\S | 匹配任意非空字符 |
\d | 匹配任意數字,等價於 [0-9] |
\D | 匹配任意非數字 |
\A | 匹配字符串開始 |
\Z | 匹配字符串結束,如果是存在換行,只匹配到換行前的結束字符串 |
\z | 匹配字符串結束 |
\G | 匹配最後匹配完成的位置 |
\b | 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’ |
\B | 匹配非單詞邊界。‘er\B’ 能匹配 “verb” 中的 ‘er’,但不能匹配 “never” 中的 ‘er’ |
\n, \t, 等 | 匹配一個換行符。匹配一個製表符, 等 |
\1…\9 | 匹配第n個分組的內容 |
\10 | 匹配第n個分組的內容,如果它經匹配。否則指的是八進制字符碼的表達式 |
5、各種括號的使用
- () 是爲了提取匹配的字符串。表達式中有幾個()就有幾個相應的匹配字符串。 (\s*)表示連續空格的字符串。
- []是定義匹配的字符範圍。比如 [a-zA-Z0-9] 表示相應位置的字符要匹配英文字符和數字。[\s*]表示空格或者*號。
- {}一般用來表示匹配的長度,比如 \s{3} 表示匹配三個空格,\s{1,3}表示匹配一到三個空格。
(0-9) 匹配 '0-9′ 本身。 [0-9]* 匹配數字(注意後面有 *,可以爲空)[0-9]+ 匹配數字(注意後面有 +,不可以爲空){1-9} 寫法錯誤。
[0-9]{0,9} 表示長度爲 0 到 9 的數字字符串。
6、補充
貪婪與非貪婪
python裏面的量詞默認是貪婪的(在少數語言裏也可能默認是非貪婪的),總是嘗試匹配更可能多的字符, 非貪婪則相反總是匹配儘可能少的字符。
在“*” “+” “?” “{m,n}”後面加上?,是貪婪變成非貪婪
起名方式:
起名方式:(?P<名字>正則) (?P=名字)
例1:
msg = '<html><h1>abc</h1></html>'
result = re.match(r'<(?P<name1>\w+)><(?P<name2>\w+)>(.+)</(?P=name2)></(?P=name1)>', msg)
print(result)
print(result.group())
運行結果:
實例1:
import re
msg = '迪麗熱巴古力娜佟麗婭扎洋洋'
parten = re.compile('佟麗婭')
result = parten.match(msg)
print(result)
# 使用正則模塊re模塊的方法:match
s = '迪麗熱巴古力娜佟麗婭扎洋洋'
result = re.match('佟麗婭', s) # match從頭開始匹配
print(result)
result = re.search('佟麗婭', s)
print(result)
print(result.span()) # 返回位置
print(result.group())
print(result.groups())
msg1 = 'hdkahdja2d63d8773d6jkshkj廣泛廣泛ffjsfhjk3d29173128'
result = re.search('[a-z][0-9][0-9]', msg1) # search只要有匹配的後面就不會進行檢索,一有匹配的就停止
print(result)
print(result.group())
print(result.groups())
result = re.findall('[a-z][0-9][a-z]+', msg1) # 匹配整個字符串
print(result)
qq = '1234567890'
result = re.match('[1-9][0-9]{4,10}$', qq)
print(result)
print((result.group()))
username = 'admin001'
result = re.search('^[a-zA-Z][0-9a-zA-Z]{5,}', username)
print(result)
運行結果:
實例2:
import re
# 起名方式:(?P<名字>正則) (?P=名字)
msg = '<html><h1>abc</h1></html>'
result = re.match(r'<(?P<name1>\w+)><(?P<name2>\w+)>(.+)</(?P=name2)></(?P=name1)>', msg)
print(result)
print(result.group())
phone = '12345678901'
result = re.match(r'[1]\d{9}[0-35-689]$', phone)
print(result)
# 爬蟲
phone1 = '010-12345678'
result1 = re.match(r'(\d{3,4})-(\d{8}$)', phone1)
print(result1)
# 分別提取
print(result1.group())
# ()表示分組 group(1) 表示提取到第一組內容
print(result1.group(1))
print(result1.group(2))
'''
re模塊:
match
search
findall
sub(正則表達式,'新內容',string) 替換
'''
result1 = re.sub(r'\d+', '90', 'java:99,python:100')
print(result1)
運行結果: