一、 正则表达式概述
1. 作用：
1. 数据抓取，数据的清理 ： 在网上抓取图片，清除网站中不雅的评论
2. 数据验证，比如验证邮箱的合法性，手机号码的合法性 ，11位数字
2. 特点：通用性，跨语言
主流语言都有正则表达式，而且表达式的规则都几乎相同的
二、 re模块
提示： 命令行： ctrl+e ：到命令行的尾部
ctrl+A： 到命令行的头部
1. re模块的使用过程
a>import re
ret=re.match("itcast","itcast.cn")
ret
b> 匹配成功没
在命令行输入：ret
为空： 匹配失败
不为空： 匹配成功
c> 查看结果
ret.group()
2. 小结
1. re.match("正则表达式","要匹配的内容")
2. re.match ()是匹配以xxx开头的字符串
三、 匹配单个字符
字符 功能
. 匹配任意1个字符（除了\n）
[ ] 匹配[ ]中列举的字符
\d 匹配数字，即0-9
\D 匹配非数字，即不是数字
\s 匹配空白，即 空格，tab键
\S 匹配非空白
\w 匹配单词字符，即a-z、A-Z、0-9、_
\W 匹配非单词字符
1. '.' ： 表示匹配任意一个字符，除\n(换行)以外
问题: 看电影 输入电影名称： "速度与*情"
re.match("速度与.情","速度与基情")
re.match("速度与.情","速度与\n情")
2.[] : 匹配[ ]中列举的字符
问题: 看电影 选择电影名称： "速度与激情9" 1-9部都可以
re.match("速度与激情[123456789]","速度与激情1")
re.match("速度与激情[1-9]","速度与激情8")
re.match("速度与激情[1-35-9]","速度与激情5") ： 除4以外的所有字符
3. \d: 表示任意一个数字 ，0-9 中的数字
re.match("速度与激情\d","速度与激情9")
4. \D: 不是数字的任意一个字符
re.match("速度与激情\D","速度与激情*")
5. \s : 匹配空格或者tab空格
re.match("速度与激情\s","速度与激情 ")
re.match("速度与激情\s","速度与激情#")
6. \S : 除了空格tab键的空格以外的所有字符
re.match("速度与激情\S","速度与激情u")
re.match("速度与激情\S","速度与激情 ")
7. \w : 匹配单词字符： 0-9，a-z,A-Z,_
python2：单词字符不支持中文，python3支持中文，命名单词或者变量不建议用中文
re.match("\w","9")
re.match("\w","A")
re.match("\w","*")
8. \W : 匹配单词字符以外的所有字符
re.match("\W","9")
re.match("\W","A")
re.match("\W","*")
四、 匹配多个字符
字符 功能
* 匹配前一个字符出现0次或者无限次，即可有可无
+ 匹配前一个字符出现1次或者无限次，即至少有1次
? 匹配前一个字符出现1次或者0次，即要么有1次，要么没有
{m} 匹配前一个字符出现m次
{m,n} 匹配前一个字符出现从m到n次
1. {m} ： 匹配前一个字符出现m次
问题：匹配手机号码， 11位数字
re.match("1\d{10}","13656789857")
re.match("1\d{10}","1365678985")
2. {m,n}: 匹配前一个字符出现m到n次
问题： 匹配广东电话号码的合法性 020-56745675 ,0755-12345678,0756-1234567
re.match("\d{3}-\d{8}","020-56745795")
re.match("\d{3,4}-\d{8}","0755-56745795")
re.match("\d{3,4}-\d{7,8}","0756-5674595")
3. ? : 前一个字符出现1次或者0次
问题： 匹配广东电话号码的合法性 02056745675 ,0755-12345678,07561234567
re.match("\d{3,4}-?\d{7,8}","07565674595")
re.match("\d{3,4}-?\d{7,8}","0756-5674595")
4. * ： 匹配前一个字出现0次或者多次
问题： 把一个文本的内容全部匹配出来
content="""adslfjaldjgljagga\nasdiwerierydfgjr\n;sdfgrwjtrjg"""
re.match(".*",content,re.S)
re.match("a*","")
注意：
1. "." 不能匹配换行 \n
2. re.S 表示多行匹配
5. + ：匹配前一个字符出现1次或者无限次，即至少有1次
问题:空字符串匹配
re.match("a+","")
re.match("a+","aaaaaaaa")
五、匹配开头与结尾
1. ^ ： 匹配以xxx开头的字符串
re.match("^itcast","itcast.cn")
re.match("itcast","itcast.cn") ：match默认就是以itcast开头
re.match("^itcast","uitcast.cn")
re.match("itcast","uitcast.cn")
2. $ ：匹配以xxx结尾的字符串
问题： 11位手机号码匹配
re.match("1\d{10}$","13654678906")
re.match("1\d{10}$","13654678906897")
六、案例:
1. 案例1： 判断变量名是否合法
names = ["age1", "1age", "AG0_", "_9age", "age_", "a9_G2#", "a#ffsd"]
需求(规则)： 变量名合法： 字符由a-z,A-Z,0-9,_ 组成，但是首字符不能是数字
ret=re.match("[a-zA-Z_]\w*$",name)
参考代码：
import re
def main():
"""需求(规则)： 变量名合法： 字符由a-z,A-Z,0-9,_ 组成，但是首字符不能是数字"""
names = ["age1", "1age", "AG0_", "_9age", "age_", "a9_G2#", "a#ffsd"]
# 迭代可迭代对象
for name in names:
ret=re.match("[a-zA-Z_]\w*$",name)
if ret:
print("变量名%s合法，匹配到的内容%s" %(name,ret.group()))
else:
print("变量名%s不合法"%name)
if __name__ == '__main__':
main()
2. 案例2：
匹配出163的邮箱地址，且@符号之前有4到20位单词字符，例如hello@163.com
email_list = ["lijun@163.com", "wang2_@qq.com", "lining@163.cn", "wang@163.com.cn","cheny@163ccom"]
ret = re.match("\w{4,20}@163\.com$",email)
参考代码：
import re
def main():
"""匹配出163的邮箱地址，且@符号之前有4到20位单词字符，例如hello@163.com"""
email_list = ["lijun@163.com", "wang2_@qq.com", "lining@163.cn", "wang@163.com.cn", "cheny@163ccom"]
# 遍历列表
for email in email_list:
# . 在正则表达式中表示匹配任意一个字符，但是当前需要一个 ".",通过"\" 转义符 转回原生(原来、本来的意义，初始的意义)的意义
ret = re.match("\w{4,20}@163\.com$",email)
if ret:
print("邮箱%s合法的，匹配的内容是:%s" % (email, ret.group()))
else:
print("邮箱%s不合法" % email)
if __name__ == '__main__':
main()
七、匹配分组
字符 功能
| 匹配左右任意一个表达式
(ab) 将括号中字符作为一个分组
\num 引用分组num匹配到的字符串
(?P<name>) 分组起别名
(?P=name) 引用别名为name分组匹配到的字符串
1. | ：匹配左右任意一个表达式
问题： 同时匹配出 163和126邮箱的合法性(@符号之前有4到20位单词字符)
re.match("\w{4,20}@163\.com$|\w{4,20}@126\.com$","lijun@126.com")
re.match("\w{4,20}@163\.com$|\w{4,20}@126\.com$","lijun@163.com")
2. (ab) ： 分组
问题1： 匹配多个邮箱地址
1. re.match("\w{4,20}@(163|126|qq)\.com$","lijun@126.com")
问题2：想取出合法邮箱特定的值，比如取163,126或者邮箱的前缀
In [166]: ret=re.match("(\w{4,20})@(163|126|qq)\.com$","lijun@qq.com")
In [167]: ret.group()
Out[167]: 'lijun@qq.com'
In [168]: ret.group(0)
Out[168]: 'lijun@qq.com'
In [169]: ret.group(1)
Out[169]: 'lijun'
In [170]: ret.group(2)
Out[170]: 'qq'
3. \num ： 引用分组num匹配到的字符串
问题：需求(规则): html标签配对验证， 比如<h1>dsafagd</h1> ,标签必须配对
re.match("<(\w+)>.*</\\1>","<h1>你好dsafagd</h1>")
re.match("<(\w+)>.*</\\1>","<h1>你好dsafagd</h2>")
In [188]: print("\1") : "\1" : 转义成特殊的符号的，所以需要"\\1" ,转出原来的意义即反斜杠 \num
4. (?P<name>):分组起别名
5. (?P=name) : 引用别名为name分组匹配到的字符串
问题：问题4：需求：html标签配对验证， 比如<body><h1>dsafagd</h1></body>
1. re.match("<(\w+)><(\w+)>.*</\\2></\\1>","<body><h1>你好dsafagd</h1></body>")
2. re.match("<(\w+)><(\w+)>.*</\\2></\\1>","<body><h1>你好dsafagd</h1></bod>")
3. re.match("<(?P<p1>\w+)><(?P<p2>\w+)>.*</(?P=p2)></(?P=p1)>","<body><h1>你好dsafagd</h1></body>")
八. re模块的高级用法
a>re.search() :查找，搜索， 当搜索到匹配的内容，则返回
问题：匹配微信公众号文章阅读的次数 : "本文章阅读次数: 9998"
re.search("\d+","本文章阅读次数: 9998")
b>re.findall() ： 找到所有匹配的数据，返回的是list
问题：找到本文的所有数字 "本文章阅读次数: 9998次，博客的阅读次数: 50"
ret=re.findall("\d+","本文章阅读次数: 9998次，博客的阅读次数: 50")
ret是列表，注意不要使用ret.group()
c> re.sub() : 替换操作
语法:re.sub("正则表达式","替换的内容"，"查找的字符串或者文本")
问题：将匹配到的阅读次数加1 "本文章阅读次数: 9998次，博客的阅读次数: 50"
In [226]: def add(temp):
...: strNum=temp.group()
...: num=int(strNum)+1
...: return str(num)
...:
...:
In [227]: ret=re.sub("\d+",add,"本文章阅读次数: 9998次，博客的阅读次数: 50")
In [228]: ret
Out[228]: '本文章阅读次数: 9999次，博客的阅读次数: 51'
d> split 根据匹配进行切割字符串，并返回一个列表
语法：re.split("分隔符正则表达式","要分割的文本")
问题: 分离字符串 "wang 18 广州 python"
In [230]: ret=re.split(" |:|-","wang 18-广州:python")
In [231]: ret
Out[231]: ['wang', '18', '广州', 'python']
In [232]: ret[0]
Out[232]: 'wang'
九、贪婪和非贪婪
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。
"*","?","+","{m,n}" ： 特点，取字符的不确定性，存在贪婪与非贪婪，python默认是贪婪的，在"*","?","+","{m,n}"后面 加 ？ ，把贪婪变为非贪婪
非贪婪
*: 0
?: 0
+: 1
{m,n} :m个
re.search("https://.+?\.jpg",img)
十、r的作用
Python中字符串前面加上 r 表示原生字符串
问题：与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰
re.match("<(\w+)><(\w+)>.*</\\2></\\1>","<body><h1>你好dsafagd</h1></bod>")
ret=re.match(r"<(\w+)><(\w+)>.*</\2></\1>","<body><h1>你好dsafagd</h1><
...: /body>")
把转义符\变为原生的反斜杠
1548
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
