1.正则表达式的定义正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。
10000~ 12数字组合09876536
1.长度
2.是否是0开头
正则表达式是对字符串(包括普通字符(例如,a到z之间的字母)和特殊字符(称为“元字符”))操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式,模式描述在搜索文本时要匹配的一个或多个字符串。
正则表达式,又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法(英语:Regular
Expression,在代码中常简写为regex、regexp或RE),是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些匹配某个模式的文本。
Regular
Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思,Regular
Expression即“描述某种规则的表达式”之意。
正则在所有语言中都有的内容。
2.正则表达式的作用和特点给定一个正则表达式和另一个字符串,我们可以达到如下的目的:
1.给定的字符串是否符合正则表达式的过滤逻辑(称作“匹配”);
2.可以通过正则表达式,从字符串中获取我们想要的特定部分。
正则表达式的特点是:
1.灵活性、逻辑性和功能性非常强;
2.可以迅速地用极简单的方式达到字符串的复杂控制。
3.对于刚接触的人来说,比较晦涩难懂。
正则表达式:
import re
re.match(pattern,str)
re.search(pattern,str)
re.findall(pattern,str)
re.sub(pattern,'新的内容',str) #替换
re.split(pattern,str) ---> []
基础:
. 任意字符
[] 范围
| 或者
() 一组
量词:
* >=0
+ >=1
? 0,1
{m} = m
{m,} >=m
{m,n} >=m <=n
预定义:
\A:表示从字符串的开始处匹配
\Z:表示从字符串的结束处匹配,如果存在换行,只匹配到换行前的结束字符串。
\b:匹配一个单词边界,也就是指单词和空格间的位置。例如, 'py\b' 可以匹配"python" 中的 'py',但不能匹配 "openpyxl" 中的 'py'。
\B:匹配非单词边界。 'py\b' 可以匹配"openpyxl" 中的 'py',但不能匹配"python" 中的 'py'。
\d:匹配任意数字,等价于 [0-9]。 digit
\D:匹配任意非数字字符,等价于 [^\d]。not digit
\s:匹配任意空白字符,等价于 [\t\n\r\f]。 space
\S:匹配任意非空白字符,等价于 [^\s]。
\w:匹配任意字母数字及下划线,等价于[a-zA-Z0-9_]。
\W:匹配任意非字母数字及下划线,等价于[^\w]
\\:匹配原义的反斜杠\。
‘.’用于匹配除换行符(\n)之外的所有字符。
‘^’用于匹配字符串的开始,即行首。
‘$’用于匹配字符串的末尾(末尾如果有换行符\n,就匹配\n前面的那个字符),即行尾。
定义正则验证次数:
‘*’用于将前面的模式匹配0次或多次(贪婪模式,即尽可能多的匹配) >=0
‘+’用于将前面的模式匹配1次或多次(贪婪模式) >=1
‘?’用于将前面的模式匹配0次或1次(贪婪模式) 0 ,1
'{m}' 用于验证将前面的模式匹配m次
'{m,}'用于验证将前面的模式匹配m次或者多次 >=m
'{m,n}' 用于验证将前面的模式匹配大于等于m次并且小于等于n次
‘*?,+?,??’即上面三种特殊字符的非贪婪模式(尽可能少的匹配)。
‘{m,n}’用于将前面的模式匹配m次到n次(贪婪模式),即最小匹配m次,最大匹配n次。
‘{m,n}?’即上面‘{m,n}’的非贪婪版本。
‘\\’:'\'是转义字符,在特殊字符前面加上\,特殊字符就失去了其所代表的含义,比如\+就仅仅代表加号+本身。
‘[]’用于标示一组字符,如果^是第一个字符,则标示的是一个补集。比如[0-9]表示所有的数字,[^0-9]表示除了数字外的字符。
‘|’比如A|B用于匹配A或B。
‘(...)’用于匹配括号中的模式,可以在字符串中检索或匹配我们所需要的内容。
分组:
() ---> group(1)
number
(\w+)(\d*) ---> group(1) group(2)
引用:
(\w+)(\d*) \1 \2 表示引用前面的内容
name
(?P<name>\w+) (?P=name)
Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;
非贪婪则相反,总是尝试匹配尽可能少的字符。
在"*","?","+","{m,n}"后面加上?,使贪婪变成非贪婪。
import re
# 起名的方式: (?P<名字>正则) (?P=名字)
msg = '<html><h1>abc</h1></html>'
result = re.match(r'<(?P<name1>\w+)><(?P<name2>\w+)>(.+)</(?P=name2)></(?P=name1)>', msg)
print(result)
print(result.group(1))
print(result.group(2))
print(result.group(3))
'''
分组:() ---> result.group(1) 获取组中匹配内容
在分组的时候还可以结合 |
result = re.match(r'(\d{3}|\d{4})-(\d{8})$', phone)
print(result)
不需要引用分组的内容:
result = re.match(r'<[0-9a-zA-Z]+>(.+)</[0-9a-zA-Z]+>', msg)
print(result)
print(result.group(1))
引用分组匹配内容:
1.number \number 引用第number组的数据
msg = '<html><h1>abc</h1></html>'
result = re.match(r'<([0-9a-zA-Z]+)><([0-9a-zA-Z]+)>(.+)</\2></\1>$',msg)
print(result)
2.?P<名字>
msg = '<html><h1>abc</h1></html>'
result = re.match(r'<(?P<name1>\w+)><(?P<name2>\w+)>(.+)</(?P=name2)></(?P=name1)>',msg)
print(result)
print(result.group(1))
re模块:
match 从开头匹配一次
search 只匹配一次
findall 查找所有
sub(正则表达式,'新内容',string) 替换
split result = re.split(r'[,:]','java:99,python:95') 在字符串中搜索如果遇到:或者,就分割
将分割的内容都保存到列表中了
'''
def func(temp):
num = temp.group()
num1 = int(num) + 1
return str(num1)
# result = re.sub(r'\d+','90','java:99,python:95')
# print(result)
result = re.sub(r'\d+', func, 'java:99,python:95')
print(result)
result = re.split(r'[,:]', 'java:99,python:95')
print(result)
# qq = input('输入qq号码')
# if len(qq) >= 5 and qq[0] != '0':
# print('合法的')
# else:
# print('不合法的')
import re
msg = '佟丽娅娜扎热巴代斯'
pattern = re.compile('佟丽娅')
result = pattern.match(msg) # 没有匹配
print(result)
# 使用正则re模块方法: match
s = '娜扎热巴代斯佟丽娅'
result = re.match('佟丽娅', s) # 只要从开头进行匹配,如果匹配不成功则就返回None
print(result)
result = re.search('佟丽娅', s) # search 进行正则字符串匹配方法,匹配的是整个字符串
print(result)
print(result.span()) # 返回位置
print(result.group()) # 使用group提取到匹配的内容
print(result.groups())
# a2b h6k
# [] 表示的是一个范围
s = '哈哈3u'
result = re.search('[0-9][a-z]', s)
print(result)
msg = 'abcd7yjkfd8hdf00'
result = re.search('[a-z][0-9][a-z]', msg) # search 只要有匹配的后面就不会继续进行检索,找到一个匹配的就会停止
print(result.group())
result = re.findall('[a-z][0-9][a-z]', msg) # findall 匹配整个字符串,找到一个继续向下找一直到字符串结尾
print(result)
# 正则符号
# a7a a88a a7878a
msg = 'a7aopa88akjgka7878a'
result = re.findall('[a-z][0-9]+[a-z]', msg)
print(result)
# qq号码验证 5~11 开头不能是0
qq = '14944689962'
result = re.match('^[1-9][0-9]{4,10}$', qq)
print(result)
# 用户名可以是字母或者数字_, 不能是数字开头,用户名长度必须6位以上 [0-9a-zA-Z]
username = 'admin001'
result = re.search('^[a-zA-Z]\w{5,}$', username)
print(result)
msg = 'a*py ab.txt bb.py kk.png uu.py apyb.txt'
result = re.findall(r'\w*\.py\b', msg)
print(result)
'''
总结:
. 任意字符除(\n)
^ 开头
$ 结尾
[] 范围 [abc] [a-z] [a-z*&¥]
正则预定义:
\s 空白 (空格)
\b 边界
\d 数字
\w word [0-9a-zA-Z_]
大写反面 \S 非空格 \D 非数字 。。。
'\w[0-9]' ---> \w [0-9] 只能匹配一个字母
量词:
* >=0
+ >=1
? 0,1
手机号码正则
re.match('1[35789]\d{9}$',phone)
{m} : 固定m位
{m,} >=m
{m,n} phone > =m phone<=n
'''
import re
# 分组
# 匹配数字0-100数字
n = '100'
'''
| 或者
() 分组 (163|126|qq) 一组
'''
# 改进版
result = re.match(r'[1-9]?\d?$|100$', n)
print(result)
# (word|word|word) 区别 [163] 表示的是一个字母而不是一个单词
# 验证输入的邮箱 163 126 qq
email = '73877884@163.com'
result = re.match(r'\w{5,20}@(163|126|qq)\.(com|cn)$', email)
print(result)
# 不是以4、7结尾的手机号码(11位)
phone = '15901018869'
result = re.match(r'1\d{9}[0-35-689]$', phone)
print(result.group())
# 爬虫
phone = '010-12345678'
result = re.match(r'(\d{3}|\d{4})-(\d{8})$', phone)
print(result)
# 分别提取
print(result.group())
# () 表示分组 group(1) 表示提取到第一组的内容 group(2)表示第二组的内容
print(result.group(1))
print(result.group(2))
#
msg = '<html><h1>abc</h1>'
msg1 = '<h1>hello</h1>'
result = re.match(r'<[0-9a-zA-Z]+>(.+)</[0-9a-zA-Z]+>', msg)
print(result)
print(result.group(1))
# number
result = re.match(r'<([0-9a-zA-Z]+)>(.+)</\1>$', msg1)
print(result)
print(result.group(1))
print(result.group(2))
#
msg = '<html><h1>abc</h1></html>'
result = re.match(r'<([0-9a-zA-Z]+)><([0-9a-zA-Z]+)>(.+)</\2></\1>$', msg)
print(result)
print(result.group(1))
print(result.group(2))
print(result.group(3))
贪婪与非贪婪例子
import re
# 默认是贪婪的,如果想将贪婪模式变成非贪婪模式
msg = 'abc123abc'
result = re.match(r'abc(\d+?)', msg)
print(result)
path = '<img class="BDE_Image" src="http://imgsrc.baidu.com/forum/w%3D580/sign=30a7526a9282d158bb8259b9b00b19d5/704bde177f3e67092893917b35c79f3dfadc55f5.jpg" size="2227636" changedsize="true" width="560" height="840" style="cursor: url("http://tb2.bdstatic.com/tb/static-pb/img/cur_zin.cur"), pointer;">'
result = re.match(r'<img class="BDE_Image" src="(.*?)"', path)
# print(result.group(1))
image_path = result.group(1)
import requests
response = requests.get(image_path)
with open('aa.jpg', 'wb') as wstream:
wstream.write(response.content)