正则表达式

最新推荐文章于 2022-11-18 13:16:10 发布

撸码的xiao摩羯

最新推荐文章于 2022-11-18 13:16:10 发布

阅读量735

点赞数 1

分类专栏： Python高级文章标签：正则表达式爬虫 python

本文链接：https://blog.csdn.net/a1234556667/article/details/120297188

版权

Python高级专栏收录该内容

34 篇文章 6 订阅

订阅专栏

概述

1.正则表达式功能非常强大，但是学习难度也很大。正则表达式是一套独立的语法，和Python并没有任何相似和相关之处，只不过是Python提供了对正则表达式的支持。

2.正则表达式是编写网络爬虫提取特定内容的重要技术之一。

语法

正则表达式由元字符及其不同组合来构成，通过巧妙地构造正则表达式可以匹配任意字符串，并完成查找、替换、分隔等复杂的字符串处理任务。
元字符是指构成正则表达式的基本单位，是具有独立含义的字符或字符组合。

元字符	功能说明
\r	匹配一个回车字符
\b	匹配单词头或者尾
\B	与\b含义相反
\d	匹配任何数字[0-9]
\D	与上表相反
\s	匹配任何空白字符[\f\n\r\v]
\S	与上表相反
\w	匹配任何字母数字下划线[a-z A-Z 0-9]
\W	与上表相反
（）	将位于（）内的内容作为一个整体来对待
{m,n}	{}前面的字符或者子模式重复至少m次之多n次逗号前后不要有空格
[^a-z]	匹配除小写英文字母之外的任何字符

扩展语法

正则表达式使用圆括号“()”表示一个子模式，圆括号内的内容作为一个整体对待，例如'(red)+'可以匹配'redred'、'redredred'等一个或多个重复'red'的情况

语法	功能说明
（？P<groupname）	为子模式命名
（？iLmsux）	设置匹配标志，可以是几个字母的组合，每个字母含义编译标志相同
（?……）	匹配但不捕获该匹配的子表达式
（?P=groupname）	表示在之前的命名为groupname的子模式
（？#……）	表示注释
（？<=……）	用于正则表达式之前表示如果<=后的内容在字符串中出现则匹配，但不返回<=之后的内容
（?=……）	用于正则表达式之后，…………
（？<!……）	用于正则表达式之前，…………
（？！…………）	用于正则表达式之后，…………

（pattern)*:允许模式重复0或者多次

（pattern+：允许重复一或者多次
（pattern）{m,n} 允许重复m-n次
1.正则表达式以^开头并以$结束，表示对整个字符串进行检查和匹配。
(a | b)*c：匹配多个（包含0个）a或b，后面紧跟一个字母。
ab{1,}：等价于'ab+'，匹配以字母a开头后面带1个至多个字母b的字符串。
^[a-zA-Z]{1}([a-zA-Z0-9._]){4,19}$：匹配长度为5-20的字符串，必须以字母开头并且可带字母、数字、下画线、圆点的字符串。
^(\w){6,20}$：匹配长度为6-20的字符串，可以包含字母、数字、下划线。
^\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}$：检查给定字符串是否为合法IP地址。
^(13[4-9]\d{8}) | (15[01289]\d{8})$：检查给定字符串是否为移动手机号码。
^[a-zA-Z]+$：检查给定字符串是否只包含英文字母大小写。
^\w+@(\w+\.)+\w+$：检查给定字符串是否为合法电子邮件地址。
r'(\w)(?!.*\1)：查找字符串中每个字符的最后一次出现。
(\w)(?=.*\1)：查找字符串中所有重复出现的字符。
^(\-)?\d+(\.\d{1,2})?$：检查给定字符串是否为最多带有2位小数的正数或负数。
[\u4e00-\u9fa5]：匹配给定字符串中所有汉字。
^\d{18}|\d{15}$：检查给定字符串是否为合法身份证格式。
\d{4}-\d{1,2}-\d{1,2}：匹配指定格式的日期，例如2016-1-31。
^(?=.*[a-z])(?=.*[A-Z])(?=.*\d)(?=.*[,._]).{8,}$：检查给定字符串是否为强密码，必须同时包含英语字母大写字母、英文小写字母、数字或特殊符号（如英文逗号、英文句号、下划线），并且长度必须至少8位。
(?!.*[\'\"\/;=%?]).+：如果给定字符串中包含'、"、/、;、=、%、?则匹配失败。
(.)\\1+：匹配任意字符的两次或多次重复出现。
((?P<f>\b\w+\b)\s+(?P=f))：匹配连续出现两次的单词。
((?P<f>.)(?P=f)(?P<g>.)(?P=g))：匹配AABB形式的成语或字母组合。
直接使用正则表达式模块re处理字符串
re.l (支持本地字符集的字符)
re.M(多行匹配模式)
re.S（使元字符“.”匹配任意字符，包括换行符）
re.U（匹配Unicode字符）

>>> import re                            #导入re模块
>>> text = 'alpha. beta....gamma delta'  #测试用的字符串
>>> re.split('[\. ]+', text)             #使用圆点或空格作为分隔符进行分隔
['alpha', 'beta', 'gamma','delta']
>>> re.split('[\. ]+', text, maxsplit=2) #设置最多分隔2次
['alpha', 'beta', 'gamma delta']
>>> re.split('[\. ]+', text, maxsplit=1) #最多分隔1次
['alpha', 'beta....gamma delta']
>>> pat = '[a-zA-Z]+'
>>> re.findall(pat, text)                #查找所有单词
['alpha', 'beta', 'gamma','delta']

>>> re.findall('\\b\w.+?\\b', example)      #所有单词
['Beautiful', 'is', 'better', 'than', 'ugly']

>>> re.findall('\w+', example)          #所有单词
['Beautiful', 'is', 'better', 'than', 'ugly']

>>> re.findall(r'\b\w.+?\b', example)      #使用原始字符串
['Beautiful', 'is', 'better', 'than', 'ugly']

>>> re.split('\s', example)           #使用任何空白字符分隔字符串
['Beautiful', 'is', 'better', 'than', 'ugly.']

>>> re.findall('\d+.\d+.\d+', 'Python 2.7.13') #查找并返回x.x.x形式的数字
['2.7.13']

>>> re.findall('\d+.\d+.\d+', 'Python 2.7.13,Python 3.6.0')
['2.7.13', '3.6.0']

>>> s = '<html><head>This is head.</head><body>This is body.</body></html>'
>>> pattern = r'<html><head>(.+)</head><body>(.+)</body></html>'
>>> result = re.search(pattern, s)
>>> result.group(1)               #第一个子模式
'This is head.'

>>> result.group(2)               #第二个子模式
'This is body.'

match对象

group（）返回匹配的一个或多个子模块内容
start（）返回匹配的一个或多个子模块内容
end()返回指定子模块内容的结束位置的前一个位置

>>> import re
>>> m = re.match(r"(\w+) (\w+)", "Isaac Newton, physicist")
>>> m.group(0)          #返回整个模式内容
'Isaac Newton'

>>> m.group(1)          #返回第1个子模式内容
'Isaac'

>>> m.group(2)          #返回第2个子模式内容.
'Newton'

>>> m.group(1, 2)        #返回指定的多个子模式内容
('Isaac', 'Newton')

>>> import re
>>> m = re.match(r"(?P<first_name>\w+) (?P<last_name>\w+)", "Malcolm Reynolds")

>>> m.group('first_name')   #使用命名的子模式
'Malcolm'

>>> m.group('last_name')
'Reynolds'

>>> m = re.match(r"(\d+).(\d+)", "24.1632")
>>> m.groups()         #返回所有匹配的子模式（不包括第0个）
('24', '1632')

>>> m = re.match(r"(?P<first_name>\w+) (?P<last_name>\w+)", "Malcolm Reynolds")
>>> m.groupdict()       #以字典形式返回匹配的结果
{'first_name': 'Malcolm', 'last_name': 'Reynolds'}

>>> s = 'aabc abcd abbcd abccd abcdd'
>>> re.findall(r'(\b\w*(?P<f>\w+)(?P=f)\w*\b)', s) #连续重复出现的字母组合
[('aabc', 'a'), ('abbcd', 'b'), ('abccd', 'c'), ('abcdd', 'd')]
>>> s = 'aabc abcd ababcd abccd abcdd'
>>> re.findall(r'(\b\w*(?P<f>\w+)(?P=f)\w*\b)', s) #连续重复出现的字母组合
[('aabc', 'a'), ('ababcd', 'ab'), ('abccd', 'c'), ('abcdd', 'd')]

import re

text = '''Suppose my Phone No. is 0535-1234567,
yours is 010-12345678,
his is 025-87654321.'''

#注意，下面的正则表达式中大括号内逗号后面不能有空格
matchResult = re.findall(r'(\d{3,4})-(\d{7,8})', text)
for item in matchResult:
   print(item[0], item[1], sep='-')

查找文本中最长的数字字符串

import re

def longest1(s):
  '''查找所有连续数字'''
  t = re.findall('\d+', s)
  if t:
    return max(t, key=len)
  return 'No'
text = 'a1b22ccc333d22e1'
print(longest1(text))

将一句英语文本中的单词进行倒置

import re

def reverse(s):
  t = re.split('\s+', s.strip())
  t.reverse()
  return ' '.join(t)

print(reverse('I like beijing.'))
print(reverse('Simple is better than complex.'))

撸码的xiao摩羯

关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
打赏
0
评论
正则表达式

概述1.正则表达式功能非常强大，但是学习难度也很大。正则表达式是一套独立的语法，和Python并没有任何相似和相关之处，只不过是Python提供了对正则表达式的支持。2.正则表达式是编写网络爬虫提取特定内容的重要技术之一。语法正则表达式由元字符及其不同组合来构成，通过巧妙地构造正则表达式可以匹配任意字符串，并完成查找、替换、分隔等复杂的字符串处理任务。元字符是指构成正则表达式的基本单位，是具有独立含义的字符或字符组合。元字符功能说明 \r 匹配一个回车字符
复制链接

扫一扫