第三章：正则表达式——乱码中找对象的“神技”

于 2025-04-21 13:04:17 发布
阅读量751 收藏 21
点赞数 21
文章标签： mysql php
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Kkyyssyyds/article/details/147387290
版权

上一章的requests库是一个常用的 HTTP 请求库，可以方便地向网站发送 HTTP 请求，并获取响应结果。爬虫就是解析网页的内容将需要的信息爬取出来，本章节学习正则表达式的内容，正则表达式可以精准将需要的内容从整体中提取出来

目标：掌握正则表达式，让混乱的文本秒变“结构化数据”，从此告别“肉眼找规律”的苦逼生活！
学习目标：学会用正则匹配手机号、邮箱、身份证号，甚至“从一堆乱码中精准提取小姐姐的微信号”（开玩笑的，请遵纪守法）。

3.1 为什么学正则表达式？

（温馨提示：如果你觉得写字符串处理代码像“便秘”，学完本章你会“畅快淋漓”）

正则表达式的三大优势：

  1. ​万能文本捕手：从杂乱无章的文本中提取关键信息（比如从一篇3000字的文章里揪出所有日期）
  2. ​一行代码顶百行：用正则替换循环+判断（比如批量删除文件名中的空格）
  3. ​江湖必备技能：面试常考、爬虫必备、数据处理神器

代码对比：普通方法 vs 正则

 

python
 

# 普通方法（假设要从字符串中提取所有数字）
text = "我的电话是123456，另一个是789012"
numbers = []
for i in range(len(text)):
    if text[i].isdigit():
        num = ""
        while i < len(text) and text[i].isdigit():
            num += text[i]
            i += 1
        numbers.append(num)
print(numbers)  # ['123456', '789012']（写得我手都酸了）

# 正则方法（一行搞定）：
import re
numbers = re.findall(r"\d+", text)
print(numbers)  # ['123456', '789012']（正则：这都不是事儿）
 

 

3.2 正则基础语法：从“小白”到“入门”
 

元字符速记表（附搞笑注释）
 

符号作用举个栗子（匹配手机号）
.匹配任意字符（除了换行符）1.5 可以匹配 1a5、135 等
\d匹配数字（等价于[0-9]）\d{11} → 匹配11位数字（手机号）
\w匹配字母/数字/下划线\w+ → 匹配类似user_123的用户名
*前一个字符出现0次或多次ab*c → 匹配ac、abc、abbbc
+前一个字符出现1次或多次ab+c → 匹配abc、abbbc，但不匹配ac
?前一个字符出现0次或1次colou?r → 匹配color或colour
{n,m}前一个字符出现n到m次\d{3,4} → 匹配3到4位数字（区号）
``或关系（二选一）
^匹配字符串开头^Hello → 匹配以Hello开头的字符串
$匹配字符串结尾\d+$ → 匹配以数字结尾的字符串
 

代码示例：手机号匹配
 

 

python
 

import re

text = "联系我：手机13812345678，座机010-12345678"
pattern = r"1[3-9]\d{9}"  # 手机号正则（国内11位）

# findall返回所有匹配结果
phones = re.findall(pattern, text)
print(phones)  # ['13812345678']

# match从字符串开头匹配（如果手机号不在开头会匹配失败）
result = re.match(pattern, text)
print(result)  # None（因为前面有“联系我：手机”）
 

 

3.3 常用函数：正则的“三板斧”
 

1. re.findall()：暴力搜索所有匹配项
 

 

python
 

# 提取所有邮箱地址
text = "我的邮箱是a@b.com，备用邮箱c.d@e.co.uk"
emails = re.findall(r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}", text)
print(emails)  # ['a@b.com', 'c.d@e.co.uk']
 

2. re.search()：找到第一个匹配项
 

 

python
 

# 提取第一个日期
text = "会议时间：2023-10-01，截止日期：2023-12-31"
date_pattern = r"\d{4}-\d{2}-\d{2}"
first_date = re.search(date_pattern, text).group()
print(first_date)  # '2023-10-01'
 

3. re.sub()：文本替换神器
 

 

python
 

# 把所有空格替换成下划线（即使中间有多个空格）
text = "Hello   World    Python"
new_text = re.sub(r"\s+", "_", text)
print(new_text)  # "Hello_World_Python"
 

4. re.split()：按规则分割字符串
 

 

python
 

# 按非数字字符分割字符串
text = "abc123def456ghi"
parts = re.split(r"\D+", text)  # \D+ 匹配一个或多个非数字
print(parts)  # ['abc', '123', 'def', '456', 'ghi']
 

 

3.4 分组捕获：正则的“抓重点”技能
 

分组语法：用小括号()标记分组
 

 

python
 

# 提取日期中的年月日
text = "日期：2023-10-01"
pattern = r"(\d{4})-(\d{2})-(\d{2})"
match = re.search(pattern, text)
if match:
    year, month, day = match.groups()
    print(f"年：{year}, 月：{month}, 日：{day}")  # 年：2023, 月：10, 日：01
 

命名分组：给分组起个名字（方便后期调用）
 

 

python
 

pattern = r"(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})"
match = re.search(pattern, text)
if match:
    print(match.group("year"))  # 2023
 

 

3.5 贪婪与非贪婪模式：正则的“选择困难症”
 

贪婪模式（默认）：尽可能多匹配
 

 

python
 

text = "<div>内容1</div><div>内容2</div>"
pattern = r"<div>(.*)</div>"
result = re.search(pattern, text)
print(result.group(1))  # "内容1</div><div>内容2"（匹配到最后一个</div>）
 

非贪婪模式：尽可能少匹配（加?）
 

 

python
 

pattern = r"<div>(.*?)</div>"
result = re.findall(pattern, text)
print(result)  # ['内容1', '内容2']（精准匹配每个div内容）
 

 

3.6 高级技巧：正则的“超能力”
 

1. 零宽断言：匹配位置而非内容
 

 

python
 

# 匹配后面跟着“元”的数字（比如价格后面的金额）
text = "价格：99元，原价：199元"
pattern = r"\d+(?=元)"  # (?=元) 表示后面必须是“元”
print(re.findall(pattern, text))  # ['99', '199']
 

2. 编译正则表达式：提升效率
 

 

python
 

import re

pattern = re.compile(r"\d+")  # 预编译正则表达式
numbers = pattern.findall("a1b22c333")
print(numbers)  # ['1', '22', '333']
 

3. 处理复杂文本：邮箱去重
 

 

python
 

text = "联系我：a@a.com, b@b.com, a@a.com"
emails = list(set(re.findall(r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}", text)))
print(emails)  # ['b@b.com', 'a@a.com']
 

 

3.7 错误处理：正则的“防崩溃”指南
 

 

python
 

try:
    re.compile("]invalid[regex")  # 故意写一个错误正则
except re.error as e:
    print(f"正则语法错误：{e}")  # 正则语法错误：nothing to repeat at position 0
 

 

3.8 学习渠道推荐：成为正则大师的捷径
 

  1.  
    ​在线练习：
     
  
    • Regex101（实时调试+中文解释）
    • 菜鸟教程正则表达式（中文入门宝典）
     
  2.  
    ​书籍推荐：
     
  
    • 《精通正则表达式》（俗称“圣经”，看完能装逼）
    • 《Python正则表达式操作指南》（实战派首选）
     
  3.  
    ​避坑指南：
     
  
    • 避免过度使用贪婪模式（否则会匹配到奇怪的内容）
    • 用re.VERBOSE写多行正则（加注释更清晰） 
       
      python
       
      pattern = re.compile(r"""
    \d{4}       # 年份4位数字
    -           # 分隔符
    \d{2}       # 月份2位数字
    -           # 分隔符
    \d{2}       # 日期2位数字
""", re.VERBOSE)
       
     
 

 

3.9 本章小结
 

  •  
    ​核心技能：
     
  
    1. 掌握元字符、分组、贪婪模式等基础语法
    2. 熟练使用findall、search、sub等函数
    3. 能用正则解决实际问题（如数据清洗、日志分析）
     
  •  
    ​避坑指南：
     
  
    • 正则写完后先用简单文本测试（避免线上翻车）
    • 复杂正则建议拆解成多步骤处理（比如先提取再处理）
     
 

 

正则表达式的搞笑彩蛋：
 如果正则表达式会说话，可能会吐槽：“人类总让我干脏活累活，却不知道我内心在咆哮：‘这字符串是外星文明写的吗？！’”

                

        

    

  



    

      

        

            

              
                
                  Kkyyssyyds
                
              
            

            

                关注
              
            

        

        

          
      

      









            

  



          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值