Hello World

正则

一.正则表达式基础

1.简单介绍

使用正则表示进行匹配流程：

 

正则表达式的大致匹配过程：依次拿出表达式和本文的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配适配。如果表达式有量词或边界，过程会稍微不同。

 

Python支持的正则表达式元字符和语法：

 

 1.2. 数量词的贪婪模式与非贪婪模式

    正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。

 

 

2. re模块

2.1. 开始使用re

Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式创建Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

# encoding: UTF-8
import re
 
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello')
 
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello world!')
 
if match:
    # 使用Match获得分组信息
    print match.group()
 
### 输出 ###
# hello

 

 

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。
可选值有：

    • re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
    • M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
    • S(DOTALL): 点任意匹配模式，改变'.'的行为
    • L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
    • U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
    • X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的： 
      a = re.compile(r"""\d +  # the integral part
                   \.    # the decimal point
                   \d *  # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")

       

 re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

m = re.match(r'hello', 'hello world!')
print m.group()

 re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

 

 

2.不使用re.compile

 

在进行search,match等操作前不适用compile函数，会导致重复使用模式时，需要对模式进行重复的转换。降低匹配速度。而此种方法的调用方式，更为直观。如下:

 

 

 

 

 

 

 

 

 匹配豆瓣：

import requests
import re
content = requests.get('https://book.douban.com/').text

with open('a.html','w',encoding='utf8') as f:
    f.write(content)

pa = re.compile('<li.*?cover.*?href="(.*?)".*?title="(.*?)".*?more-meta.*?author">(.*?)</span>.*?year">(.*?)</span>.*?</li>',re.S)
results = re.findall(pa,content)

for r in results:
    url,name,author,date = r
    author = re.sub('\s','',author)
    date=re.sub('\s','',date)
    
    print(url,name,author,date)
View Code

 

匹配手机号（+86）：

import re
r1 = '+8612338578007asd'
t = re.findall(r'(^[\+86]\d+|^[86]\d+)',r1)

print(t)
View Code

 

posted @ 2017-11-17 16:16  nayike  阅读(159)  评论(0)    收藏  举报

Hello