Day 9：Python 字符串和正则介绍总结

好像那里都是字符串？随手敲打键盘，网上copy一个句子，打开浏览器搜索什么。那么字符串的处理就很重要了。下面介绍基本字符串操作和一点儿正则表达。

反转字符串 reversed(s) or s[::-1]

字面意思，把一个字符串按相反的顺序写出：

 字符串切片操作[start:end:step]

例子：生成1到15的序列，并在满足条件的索引处，替换为‘java’或者是‘python’

 串联字符串 join

常常会使用到用固定的符号来串联一个字符串

 分割字符串 split

有的时候我们获得了一个大的字符串，里面包含了各种数据，或者是一组数据，就想把他们分开，使用split方法。

split和join可以看作是在一定程度上的互逆操作。

 替换 replace

字符串替换，使用replace方法。

 子句判断 find or in

判断一个字符串是否是另一字符串的一部分，内部函数就是两个len,然后走一个for循环就好。

 去空格 s.strip()

去空格，去头尾的空格，以达到清洗字符串。使用strip方法，清理字符串开头和结尾的空格和制表符

字符串的字节长度 len()

encode方法对字符串编码后，

 

 

---

 

最近看了深夜食堂，红尘世间，我裂开了

---

 

 正则表达式

处理简单的字符串操作，用自带的封装办法即可达到目的，但是稍微复杂那么一点点，使用正则表达式是明智的选择，简洁强大。

re

使用正则表达式第一步，导入re模块

import re

首先，认识常用的元字符：

• . 匹配除 "\n" 和 "\r" 之外的任何单个字符。
• ^ 匹配字符串开始位置
• $ 匹配字符串中结束的位置
• * 前面的原子重复 0 次、1 次、多次
• ? 前面的原子重复 0 次或者 1 次
• + 前面的原子重复 1 次或多次
• {n} 前面的原子出现了 n 次
• {n,} 前面的原子至少出现 n 次
• {n,m} 前面的原子出现次数介于 n-m 之间
• ( ) 分组，输出需要的部分

再认识常用的通用字符：

• \s 匹配空白字符
• \w 匹配任意字母/数字/下划线
• \W 和小写 w 相反，匹配任意字母/数字/下划线以外的字符
• \d 匹配十进制数字
• \D 匹配除了十进制数以外的值
• [0-9] 匹配一个 0~9 之间的数字
• [a-z] 匹配小写英文字母
• [A-Z] 匹配大写英文字母

正则表达式，常会涉及到以上这些元字符或通用字符，下面通过 14 个细分的与正则相关的小功能，讨论正则表达式。

search第一个匹配串

即find(),找出第一个匹配项的位置

 match与search不同

• match 在原字符串的开始位置匹配
• search 在字符串的任意位置匹配

match想做的事就是在开头就find，最高效，啊抓到你了！

比如，字符串 ourselves，ours 才能 match 到 our

finditer 匹配迭代器

finditer方法，返回所有子串匹配位置的 一个 迭代器。通过返回的对象 re.Match，使用它的方法 span 找出匹配位置。

 findall所有匹配

findall 方法能查找出子串的所有匹配。

下面例子，想要找出所有的数字

\d 匹配一位数字 [0-9]，+ 表示匹配数字前面的一个原子 1 次或多次。

 

 

 但是有个问题是，日期9.7我显然不想让他们分开，怎恶魔版？修改正则表达式。

匹配浮点数和整数

• ? 表示前一个字符匹配 0 或 1 次
• .? 表示匹配小数点（.）0 次或 1 次

匹配浮点数和整数，第一版正则表达式：r'\d+\.?\d+'，图形化演示，此正则表达式的分解演示：

 

 

 

 1去哪里了？没有匹配全，所以正则表达式还要改。

正则难点之一，需要考虑全面、足够细心，才可能写出准确无误的正则表达式。

匹配不到1的原因是：r'\d+\.?\d+'，后面的 \d+ 表示至少有一位数字，因此，整个表达式至少会匹配两位数。

重新修改正则表达式，将最后的 + 后修改为 *，表示匹配前面字符 0 次、1 次或多次。

 成功！

匹配正整数

题：写出匹配所有正整数的正则表达式。

如果这样写：^\d*$，会匹配到 0，所以不准确。

如果这样写：^[1-9]*，会匹配 1. 串中 1，不是完全匹配，体会 $ 的作用。

正确写法：^[1-9]\d*$，正则分解图：

 

 

 

re.I 忽略大小写（I 大写的i） 

re.I 是方法的可选参数，表示忽略大小写。

如下，找出字符串中所有字符 t 或 T 的位置，不区分大小写。

 

 

 

split 分割单词

对于比较复杂的分割：

 

 

 正则字符串为：[,\s;|]+，\s 匹配空白字符，正则分解图，如下：

sub 替换匹配串

正则模块，sub 方法，替换匹配到的子串：

compile 预编译

到这个时候上面出现了几次compile，你是否有疑惑过，为什么指派pat的时候有时候用compile而常常不用？

如果要用同一匹配模式，做很多次匹配，可以使用 compile 预先编译串。

栗子：从一系列字符串中，挑选出所有正浮点数。

正则表达式为：^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$，字符 a|b 表示 a 串匹配失败后，才执行 b 串，正则分解图见下：

 

案例-捕获

正则模块中，根据某个模式串，匹配到结果。

待爬取网页的部分内容如下所示，现在想要提取 <div> 标签中的内容。

content = '''
     <h>ddedadsad</h>
     <div>graph</div>
     <div>math</div>'''

如果正则匹配串写做 <div>.*</div>：

 

 如果我们不想保留字符串最开始的 <div> 和结尾的 </div>，那么，就需要使用一对 () 去捕获。

 正则匹配串修改为：<div>(.*)</div>，只添加一对括号。

 

 

• 看到结果中已经没有开始的 <div>，结尾的 </div> 仅使用一对括号，便成功捕获到我们想要的部分。
• (.*) 表示捕获任意多个字符，尽可能多地匹配字符，也被称为贪心捕获
• (.*) 的正则分解图如下所示，. 表示匹配除换行符外的任意字符。

 

看另一种捕获方法：

 

 匹配模式串 (.*?)，被称为非贪心捕获。正则图中，虚线表示非贪心匹配。