目录
前言
正则表达式是对字符串提取的一套规则，我们把这个规则用正则里面的特定语法表达出来，去匹配满足这个规则的字符串。正则表达式具有通用型，不仅python里面可以用，其他的语言也一样适用。
python中re模块提供了正则表达式的功能，常用的有四个方法(match、search、findall)都可以用于匹配字符串
match
匹配字符串
re.match()必须从字符串开头匹配！match方法尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。主要参数如下：
re.match(pattern, string) # pattern 匹配的正则表达式 # string 要匹配的字符串
例子
import re a = re.match(\'test\',\'testasdtest\') print(a) #返回一个匹配对象 print(a.group()) #返回test，获取不到则报错 print(a.span()) #返回匹配结果的位置，左闭右开区间 print(re.match(\'test\',\'atestasdtest\')) #返回None
从例子中我们可以看出，re.match()方法返回一个匹配的对象，而不是匹配的内容。如果需要返回内容则需要调用group()。通过调用span()可以获得匹配结果的位置。而如果从起始位置开始没有匹配成功，即便其他部分包含需要匹配的内容，re.match()也会返回None。
单字符匹配
以下字符，都匹配单个字符数据。且开头（从字符串0位置开始）没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none
. 匹配任意一个字符
使用几个点号就代表几个字符
import re a = re.match(\'..\',\'testasdtest\') print(a.group()) #输出te b = re.match(\'ab.\',\'testasdtest\') print(b) #返回none，因为表达式是以固定的ab开头然后跟上通配符. 所以必须要先匹配上ab才会往后进行匹配
\\d 匹配数字
一个\\d代表一个数字。开头没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none
import re a = re.match(\'\\d\\d\',\'23es12testasdtest\') print(a) b = re.match(\'\\d\\d\\d\',\'23es12testasdtest\') print(b) #要求匹配三个数字，匹配不到返回none c = re.match(\'\\d\',\'es12testasdtest\') print(c) #起始位置没有匹配成功，一样返回none
\\D 匹配非数字
开头没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none
import re a = re.match(\'\\D\',\'23es12testasdtest\') print(a) #开头为数字所以返回none b = re.match(\'\\D\\D\',\'*es12testasdtest\') print(b) #返回*e
\\s 匹配特殊字符，如空白，空格，tab等
import re print(re.match(\'\\s\',\' 23es 12testasdtest\')) #匹配空格 print(re.match(\'\\s\',\' 23es 12testasdtest\')) #匹配tab print(re.match(\'\\s\',\'\\r23es 12testasdtest\')) #匹配\\r换行 print(re.match(\'\\s\',\'23es 12testasdtest\')) #返回none
\\S 匹配非空白
import re print(re.match(\'\\S\',\' 23es 12testasdtest\')) #返回none print(re.match(\'\\S\',\'\\r23es 12testasdtest\')) #none print(re.match(\'\\S\',\'23es 12testasdtest\'))
\\w 匹配单词、字符，如大小写字母，数字，_ 下划线
import re print(re.match(\'\\w\',\'23es 12testasdtest\')) #返回none print(re.match(\'\\w\\w\\w\',\'aA_3es 12testasdtest\')) #返回none print(re.match(\'\\w\\w\\w\',\'\\n12testasdtest\')) #返回none
\\W 匹配非单词字符
import re print(re.match(\'\\W\',\'23es 12testasdtest\')) #返回none print(re.match(\'\\W\',\' 23es 12testasdtest\')) #匹配空格
[ ] 匹配[ ]中列举的字符
只允许出现[ ]中列举的字符
import re print(re.match(\'12[234]\',\'232s12testasdtest\')) #因为开头的12没匹配上，所以直接返回none print(re.match(\'12[234]\',\'1232s12testasdtest\')) #返回123
[^2345] 不匹配2345中的任意一个
import re print(re.match(\'12[^234]\',\'232s12testasdtest\')) #因为开头的12没匹配上，所以直接返回none print(re.match(\'12[^234]\',\'1232s12testasdtest\')) #返回none print(re.match(\'12[^234]\',\'1252s12testasdtest\')) #返回125
[a-z3-5] 匹配a-z或者3-5中的字符
import re print(re.match(\'12[1-3a-c]\',\'1232b12testasdtest\')) #123 print(re.match(\'12[1-3a-c]\',\'12b2b12testasdtest\')) #12b print(re.match(\'12[1-3a-c]\',\'12s2b12testasdtest\')) #返回none
表示数量
像上面写的那些都是匹配单个字符，如果我们要匹配多个字符的话，只能重复写匹配符。这样显然是不人性化的，所以我们还需要学习表达数量的字符
* 出现0次或无数次
import re a = re.match(\'..\',\'testasdtest\') print(a.group()) #输出te a = re.match(\'.*\',\'testasdtest\') print(a.group()) #全部输出
import re print(re.match(\'a*\',\'aatestasdtest\')) #匹配跟随在字母a后面的所有a字符 print(re.match(\'\\d*\',\'23aatestasdtest\')) #匹配前面为数字的字符 print(re.match(\'a\\d*\',\'ad23aatestasdtest\')) #输出a, 因为*也可以代表0次
+ 至少出现一次
import re print(re.match(\'a+\',\'aaatestasdtest\')) #匹配前面为字母a的字符，且a至少有1一个 print(re.match(\'a+\',\'atestasdtest\')) #a print(re.match(\'a+\',\'caaatestasdtest\')) #none
? 1次或则0次
import re print(re.match(\'a?\',\'abatestasdtest\')) #匹配a出现0次或者1次数 print(re.match(\'a?\',\'batestasdtest\')) #输出空，因为a可以为0次 print(re.match(\'a?\',\'aaatestasdtest\')) #a出现0次或者1次，输出1个a
{m}指定出现m次
import re
print(re.match(\'to{3}\',\'toooooabatestasdtest\')) #匹配t以及跟随在后面的三个ooo
print(re.match(\'to{3}\',\'tooabatestasdtest\')) #只有两个0,返回none
{m,} 至少出现m次
import re
print(re.match(\'to{3}\',\'toooooabatestasdtest\')) #匹配t以及跟随在后面的三个ooo
print(re.match(\'to{3}\',\'tooabatestasdtest\')) #只有两个0,返回none
{m,n} 指定从m-n次的范围
import re
print(re.match(\'to{3,4}\',\'toooabatestasdtest\')) #刚好有三个ooo，成功匹配
print(re.match(\'to{3,4}\',\'tooabatestasdtest\')) #只有两个o,返回none
print(re.match(\'to{3,4}\',\'toooooabatestasdtest\')) #提取最多四个o
匹配边界
$ 匹配结尾字符
定义整个字符串必须以指定字符串结尾
import re print(re.match(\'.*d$\',\'2testaabcd\')) #字符串必须以d结尾 print(re.match(\'.*c\',\'2testaabcd\')) #字符串不是以c结尾，返回none
^ 匹配开头字符
定义整个字符串必须以指定字符开头
import re print(re.match(\'^2\',\'2stoooabatestas\')) #规定必须以2开头，否则none print(re.match(\'^2s\',\'2stoooabatestas\')) #必须以2s开头
\\b 匹配一个单词的边界
\\b：表示字母数字与非字母数字的边界，非字母数字与字母数字的边界。即下面ve的右边不能有字母和数字
import re print(re.match(r\'.*ve\\b\',\'ve.2testaabcd\')) #因为在python中\\代表转义，所以前面加上r消除转义 print(re.match(r\'.*ve\\b\',\'ve2testaabcd\'))
\\B 匹配非单词边界
import re print(re.match(r\'.*ve\\B\',\'2testaavebcdve\')) #ve的右边需要有字母或者数字 print(re.match(r\'.*ve\\B\',\'2testaave3bcdve\'))
匹配分组
| 匹配左右任意一个表达式
只要|两边任意一个表达式符合要求就行
import re print(re.match(r\'\\d[1-9]|\\D[a-z]\',\'2233\')) #匹配|两边任意一个表达式 print(re.match(r\'\\d[1-9]|\\D[a-z]\',\'as\'))
(ab) 将括号中字符作为一个分组
()中的内容会作为一个元组字符装在元组中
import re a = re.match(r\'<h1>(.*)<h1>\',\'<h1>你好啊<h1>\') print(a.group()) #输出匹配的字符 print(a.groups()) #会将()中的内容会作为一个元组字符装在元组中 print(\'`````````````\') b = re.match(r\'<h1>(.*)(<h1>)\',\'<h1>你好啊<h1>\') print(b.groups()) #有两括号就分为两个元组元素 print(b.group(0)) #group中默认是0 print(b.group(1)) #你好啊 print(b.group(2)) #h1
search
和match差不多用法，从字符串中进行搜索
import re print(re.match(r\'\\d\\d\',\'123test123test\')) print(re.search(r\'\\d\\d\',\'123test123test\'))
findall
从字面意思上就可以看到，findall是寻找所有能匹配到的字符，并以列表的方式返回
import re print(re.match(r\'\\d\\d\',\'123test123test\')) print(re.search(r\'\\d\\d\',\'123test123test\'))
re.s
findall中另外一个属性re.S
在字符串a中，包含换行符\\n，在这种情况下
- 如果不使用re.S参数，则只在每一行内进行匹配，如果一行没有，就换下一行重新开始。
- 而使用re.S参数以后，正则表达式会将这个字符串作为一个整体，在整体中进行匹配。
如下要寻找test.*123的数据，因为test和123在不同的行，如果没加re.s的话，他会在每一个进行匹配查找而不是将字符串作为一个整体进行查找
import re a = \"\"\"aaatestaa aaaa123\"\"\" print(re.findall(r\'test.*123\',a)) print(re.findall(r\'test.*123\',a,re.S))
sub
查找字符串中所有相匹配的数据进行替换
sub(要替换的数据，替换成什么，要替换的数据所在的数据)
import re print(re.sub(\'php\',\'python\',\'php是世界上最好的语言——php\')) #输出 \"python是世界上最好的语言——python\"
split
对字符串进行分割，并返回一个列表
import re s = \"itcase,java:php-php3;html\" print(re.split(r\",\",s)) #以,号进行分割 print(re.split(r\",|:|-|;\",s)) #以,或者：或者-或者;进行分割 print(re.split(r\",|:|-|%\",s)) #找不到的分隔符就忽略
贪婪与非贪婪
python里的数量词默认是贪婪的，总是尝试尽可能的匹配更多的字符。python中使用?号关闭贪婪模式
如
import re print(re.match(r\"aa\\d+\",\"aa2323\")) #会尽可能多的去匹配\\d print(re.match(r\"aa\\d+?\",\"aa2323\")) #尽可能少的去匹配\\d
import re s = \"this is a number 234-235-22-423\" # 1.贪婪模式 resule = re.match(r\"(.+)(\\d+-\\d+-\\d+-\\d)\",s) #我们本想数字和字母拆解成两个分组 print(resule.groups()) #(\'this is a number 23\', \'4-235-22-4\')但我们发现输出的结果中23的数字竟然被弄到前面去了 #因为+它会尽可能多的进行匹配，\\d，只需要一个4就能满足，所以前面就尽可能多的匹配 # 2.关闭贪婪模式 #在数量词后面加上 ?，进入非贪婪模式，尽可能少的进行匹配 result = re.match(r\"(.+?)(\\d+-\\d+-\\d+-\\d)\",s) print(result.groups()) #(\'this is a number \', \'234-235-22-4\')
案例
匹配手机号
要求，手机号为11位，必须以1开头，且第二个数字为35678其种一个
import re
result = re.match(r\'1[35678]\\d{9}\',\'13111111111\')
print(result.group()) #匹配成功
result = re.match(r\'1[35678]\\d{9}\',\'12111111111\')
print(result) #none，第二位为2
result = re.match(r\'1[35678]\\d{9}\',\'121111111112\')
print(result) #none，有12位
提取网页源码中所有的文字
如下，将其中的所有文字提取出来，去掉标签。思路就是运用sub方法，将标签替换为空
s = \"\"\"<div> <p>岗位职责:</p> <p>完成推荐算法、数据统计、接口、后台等服务器端相关工作</p> <p><br></p> <P>必备要求:</p> <p>良好的自我驱动力和职业素养，工作积极主动、结果导向</p> <p> <br></p> <p>技术要求:</p> <p>1、一年以上 Python开发经验，掌握面向对象分析和设计，了解设计模式</p> <p>2、掌握HTTP协议，熟悉NVC、MVVM等概念以及相关wEB开发框架</p> <p>3、掌握关系数据库开发设计，掌握SQL，熟练使用 MySQL/PostgresQL中的一种<br></p> <p>4、掌握NoSQL、MQ，熟练使用对应技术解决方案</p> <p>5、熟悉 Javascript/cSS/HTML5，JQuery,React.Vue.js</p> <p> <br></p> <p>加分项:</p> <p>大数据，数理统计，机器学习，sklearn，高性能，大并发。</p> </div>\"\"\"
要提取出来最重要的就是关闭贪婪模式，
result = re.sub(r\'<.*?>| \',\'\',s) # print(result)
如果关闭贪婪模式，<xx>中的内容会尽可能多的匹配，只要能够满足后面的>就行，然后<>xxx<>中xxx内容也替换掉了
提取图片地址
import re s = \"\"\"<img data-original=\"https://img02.sogoucdn.com/app/a/100520024/36189693dc8db6bd7c0be389f8aaddbd.jpg\" src=\"https://img02.sogoucdn.com/app/a/100520024/36189693dc8db6bd7c0be389f8aaddbd.jpg\" width=\"250\" height=\"375\" .jpg>\"\"\" result1 = re.search(r\"src=\\\"https.*.jpg\\\"\",s) print(result1.group()) result2 = re.search(r\"src=\\\"(https.*.jpg)\\\"\",s) #我只是想将网址提取出来，所以httpxx加括号，这样我就可以把它单独提取出来，src则不会出来 print(result2.groups()[0])
总结
© 版权声明
THE END
暂无评论内容