Python re正则模块

目录

1.正则概述

就其本质而言，正则表达式（或 RE）是一种小型的、高度专业化的编程语言，要讲他的具体用法要讲一本书！它内嵌在Python中，并通过 re 模块实现。你可以为想要匹配的相应字符串集指定规则；该字符串集可能包含英文语句、e-mail地址、TeX命令或任何你想搞定的东西。然后你可以问诸如“这个字符串匹配该模式吗？”或“在这个字符串中是否有部分匹配该模式呢？”。你也可以使用 RE 以各种方式来修改或分割字符串。今天就来讲讲re模块的最常用的用法

http://tool.chinaz.com/regex

2.常用元字符

字符组：在同一个位置可能出现的各种字符组成了一个字符组，在正则表达式中用[]表示字符分为很多类，比如数字、字母、标点等等。假如你现在要求一个位置"只能出现一个数字",那么这个位置上的字符只能是0、1、2...9这10个数之一。

正则 待匹配元字符 匹配结果 说明
[0123456789] 8 True 在一个字符组里枚举合法的所有字符，字符组里的任意一个字符和"待匹配字符"相同都视为可以匹配
[0123456789] a False 由于字符组中没有"a"字符，所以不能匹配
[0-9] 7 True 也可以用-表示范围,[0-9]就和[0123456789]是一个意思
[a-z] s True 同样的如果要匹配所有的小写字母，直接用[a-z]就可以表示
[A-Z] B True [A-Z]就表示所有的大写字母
[0-9a-fA-F] e True 可以匹配数字，大小写形式的a～f，用来验证十六进制字符
元字符 匹配内容
. 匹配换行符以外的任意字符
\w 匹配字母或数字或下划线
\s 匹配任意的空白字符
\d 匹配数字
\n 匹配一个换行符
\t 匹配一个制表符
\b 匹配一个单词的结尾
^ 匹配字符换的开头
$ 匹配字符串的结尾
\W 匹配非字母或数字或下划线
\D 匹配非数字
\S 匹配非空白符
`a b`
[^....] 匹配除了字符组中字符的所有字符
() 匹配括号内的表达式也表示一个组`(www.(baidu

3.量词

  • {n}
    表示匹配n次
    \d{2} 只能匹配两位整数

  • {n,}
    表示匹配至少n次
    [1-9]{3,} 至少匹配三位的数字

  • {n,m}
    表示至少匹配nci至多m次
    [1-9]{1,3}\.[1-9]{1,3}\.[1-9]{1,3}\.[1-9]{1,3}

  • *
    重复零次或更多次

  • +
    重复一次或多次

  • ?
    重复零次或一次

3.1 练习

`\d+\.\d|\d+`   匹配整数或者是小数
`\d+\.?\d*`       匹配整数或者是小数 （?表示匹配0个点或者是匹配一个点）
\d+(\.\d+)?      正规的

  • 匹配手机号码 11位数 以1开头 第二个数是3-9
    ^[1][3-9]+\d{9}$

  • 判断用户输入的内容是否合法,如果用户输入的对就能查到结果,如果输入的不对就不能查到结果   
    ^1[3-9]\d{9}$

  • 从一个大文件中找到所有符合规则的内容   
    1[3-9]\d{9}

  • 匹配身份证号
    18/15位的身份证号

    • 15
      • 1-9 15
        • [1-9]\d
    • 18
      • 1-9 16 0-9/x
        • [1-9]\d{16}[\dx]
          • [1-9]\d{16}[0-9x]

4.正则的贪婪匹配和惰性匹配

  • 在量词范围允许的情况下,尽量多的匹配内容
    .*x  表示匹配任意字符 任意多次数 遇到最后一个x才停下
    \d{3,}6

  • 非贪婪
    # .*?x  表示匹配任意字符 任意多次数 但是一旦遇到x就停下来

    \d{3,}?6

5.转义符

原本有特殊意义的字符,到了表达它本身的意义的时候,需要转义

有一些特殊意义的内容,放在字符组中,会取消它的特殊意义

  • [().*+?]

[a\-c]  - 在字符组中表示范围,如果不希望它表示范围,需要转义,或者放在字符组的最前面\最后面

取消一个元字符的特殊意义的两种方法

  • 在这个元字符前面加上\
  • 对一部分元字符生效，把这个元字符放在字符组里

匹配1+2 或者是 1-2
1[+-]2

6.re模块方法

6.1.1 findall返回所有满足匹配条件的结果

结果返回的是一个列表

import re
ret = re.findall('\d','123123sdasd')
print(ret)
>>>
['1', '2', '3', '1', '2', '3']

import re
ret = re.findall('[a-z]','123123sdasd')
ret2 = re.findall('[sd]','123123sdasd')
print(ret)
print(ret2)
>>>
['s', 'd', 'a', 's', 'd']
['s', 'd', 's', 'd']
  • 函数会在字符串内查找模式匹配,只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以
  • 通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None。
ret = re.search('[a-z]','12312dsfsdf3243')
print(ret.group())
>>>
d           #只返回匹配的第一个结果,用group的方法

6.1.3 findall serch与()分组的关系

  • findall
    还是安装完整的正则进行匹配，只是显示括号内匹配到的内容
import re
ret = re.findall('2(\d)\d','123123sdasd')
print(ret)
>>>
['3']
  • search
    • 还是安装完整的正则进行匹配,显示匹配到第一个内容,但是我们可以通过给group方法进行传参数,来获取具体文组中的内容
    • 得到的是一个变量
    • 变量.group()的结果 完全和变量.group(0)的结果一致
    • 变量.group(n)的形式指定获取第n个分组中匹配到的内容
ret = re.search('2(\d)\d','12312dsfsdf3243')
print(ret.group())
>>>
231
ret = re.search('2(\d)(\d)','12312dsfsdf3243') 
print(ret.group(2))
>>>
1

ret = re.search('^<h1>(.*)</h1>$','<h1>asdsadasd23232</h1>')
print(ret.group(1))
>>>
asdsadasd23232

范例：
加上括号是为了对真正需要的内容进行提取

ret = re.search('^<h1>(.*)</h1>$','<h1>asdsadasd23232</h1>')
print(ret.group(1))

ret = re.findall('^<h1>(.*)</h1>$','<h1>asdsadasd23232</h1>')
print(ret)
>>>
asdsadasd23232
['asdsadasd23232']
  • 匹配exp 中的 5+6 并让相加得出结果
exp = '2-3*(5+6)'
ret = re.search('[(](\d)[+](\d)\)$',exp)
print(ret.group(1))
print(ret.group(2))
print(int(ret.group(1))+int(ret.group(2)))

ret = re.search('(\d)[+](\d)',exp)
print(ret.group(1))
print(ret.group(2))
print(int(ret.group(1))+int(ret.group(2)))

6.1.4 匹配电影名

import re
with open('douban.html',mode='r',encoding='utf-8')as f:
    info = f.read()
ret = re.findall('<span class="title">(.*?)</span>\s*<span class="title">.*</span>',info)
#<span class="title">机器人总动员</span>                          
             #<span class="title">&nbsp;/&nbsp;WALL·E</span>
print(ret)
>>>
['肖申克的救赎', '这个杀手不太冷', '阿甘正传', '美丽人生', '泰坦尼克号', '千与千寻', '辛德勒的名单', '盗梦空间', '忠犬八公的故事', '机器人总动员', '三傻大闹宝莱坞', '海上钢琴师', '放牛班的春天', '楚门的世界', '大话西游之大圣娶亲', '星际穿越', '龙猫', '教父', '熔炉', '无间道', '疯狂动物城', '当幸福来敲门', '怦然心动', '触不可及']

6.1.5 取链家相关信息

使用findall
范例：

ret = re.findall('<div class="title">.*?data-sl="">(.*?)</a>.*?<span class="divide">/</span>(.*?)<span class.*?</span>(.*?)<span class="divide">',info,flags=re.S)
print(ret)
>>>
[('金台路交通部部委楼南北大三居带客厅   单位自持物业', '3室1厅', '91.22平米'), ('西山枫林 高楼层南向两居 户型方正 采光好', '2室1厅', '94.14平米')]

正则解释
('

.?data-sl="">(.?).?/(.?)<span class.?(.?)',info,flags=re.S)

  • 匹配全文
    .*?data-sl="">(遇到data-sl="">就结束)
  • 匹配全文(.*?)遇到就结束这时匹配的是'金台路交通部部委楼南北大三居带客厅 单位自持物业'
  • 匹配全文.*?/遇到/就结束
    以此类推

6.1.6 匹配网站标签

import re
exp = '<h1>asddasdsd</h1></asdsd>'
ret = re.search('<\w+>.*?</\w+>',exp)
print(ret.group())
>>>
<h1>asddasdsd</h1>

6.2 finditer

finditer方法finditer函数跟findall函数类似，但返回的是一个迭代器， 而不是一个像findall函数那样的存有所有结果的list。finditer的每一个对象可以使用group(可以获取整个匹配串)和groups方法；在有分组的情况下，findall只能获得分组，不能获得整个匹配串。

6.2.1 取链家的相关信息

范例：

import re
ret = re.finditer('<div class="title">.*?data-sl="">(?P<name>.*?)</a>.*?<span class="divide">/</span>(?P<room>.*?)<span class.*?</span>(?P<area>.*?)<span class="divide">',info,flags=re.S)

for i in ret:   #遍历取出
    print(i.group('name'),i.group('room'),i.group('area'))
>>>
金台路交通部部委楼南北大三居带客厅   单位自持物业 3室1厅 91.22平米
西山枫林 高楼层南向两居 户型方正 采光好 2室1厅 94.14平米

7.re模块中的用法

7.1 split

根据匹配到的内容进行切割

  • 匹配到了222进行以222进行切割（形成列表）
import re
ret = re.split('\d+','tom222deam')  
print(ret)
>>>
['tom', 'deam']
  • 可以使用分组进行保留(形成列表)
import re
ret = re.split('\d(\d)\d','tom222deam')
print(ret)
>>>
['tom', '2', 'deam']

7.2 sub

替换的方法

  • 我要把字符串中的数字替换成“SED”
import re
ret = re.sub('\d+','SED','tom12323deam123123') 
print(ret)
>>>
tomSEDSEDSEDSEDSEDdeamSEDSEDSEDSEDSEDSED

ret = re.sub('\d+','SED','tom12323deam123123')
print(ret)
>>>
tomSEDdeamSED
  • 也可以传入参数
ret=re.sub('\d','SED','tom12323deam123123',1) #后面加上一表示只替换一个从左往右的顺序
print(ret)

>>>
tomSED2323deam123123

7.3 match

  • 表示以你的匹配条件开头进行匹配
ret=re.match('\d+','132434aasd123213fdf')
print(ret.group())  #相当于^
>>>
132434

7.4 compile

节省了代码的时间

  • 使用compile进行定义的正则可以多次调用
import re
ret = re.compile('\d+')
ret = ret.findall('123sdsdsd323')
print(ret)
>>>
['123', '323']

7.5 finditer

  • 节省空间
  • 形成了迭代器 返回的是结果变量 使用i.group()进行取值
ret = re.compile('\d+')
ret = ret.finditer('123sdsdsd323')

for i in ret:
    print(i)
    
>>>
<re.Match object; span=(0, 3), match='123'>
<re.Match object; span=(9, 12), match='323'>

ret = re.compile('\d+')
ret = ret.finditer('123sdsdsd323')

for i in ret:
    print(i.group()
>>>
123
323

7.6 分组命名

(?P<名字>正则表达式)

范例:

import re
ret = re.finditer('<div class="title">.*?data-sl="">(?P<name>.*?)</a>.*?<span class="divide">/</span>(?P<room>.*?)<span class.*?</span>(?P<area>.*?)<span class="divide">',info,flags=re.S)

for i in ret:   #遍历取出
    print(i.group('name'),i.group('room'),i.group('area'))
>>>
金台路交通部部委楼南北大三居带客厅   单位自持物业 3室1厅 91.22平米
西山枫林 高楼层南向两居 户型方正 采光好 2室1厅 94.14平米

7.6.1 分组命名的引用

  • 匹配标签 约束

    ==


    引用了分组名 约束了

    必须是

exp = '<h1>asddasdsd</h1></asdsd>'

ret = re.search('<(?P<tag>\w+)>.*?</(?P=tag)>',exp)
print(ret.group())
>>>
<h1>asddasdsd</h1>
posted @ 2021-08-04 14:15  刘新元  阅读(85)  评论(0)  编辑  收藏  举报