正则表达式
1.正则表达式的作用
正则表达式(Regular Expression)通常被用来检索、替换那些符合某个模式(规则)的文本。
2.常见的匹配模式
模式 | 描述 |
\w | 匹配字⺟数字及下划线 |
\W | 匹配⾮字⺟数字下划线 |
\s | 匹配任意空⽩字符,等价于 [\t\n\r\f]. |
\S | 匹配任意⾮空字符 |
\d | 匹配任意数字,等价于 [0-9] |
\D | 匹配任意⾮数字 |
\A | 匹配字符串开始 |
\Z | 匹配字符串结束,如果是存在换⾏,只匹配到换⾏前的结束字符串 |
\z | 匹配字符串结束 |
\G | 匹配最后匹配完成的位置 |
\n | 匹配⼀个换⾏符 |
\t | 匹配⼀个制表符 |
^ | 匹配字符串的开头 |
$ | 匹配字符串的末尾 |
. | 匹配任意字符,除了换⾏符,当re.DOTALL标记被指定时,则可以匹配包括换⾏符的任 意字符 |
[...] | ⽤来表示⼀组字符,单独列出:[amk] 匹配 'a','m'或'k' |
[^...] | 不在[]中的字符:[^abc] 匹配除了a,b,c之外的字符 |
* | 匹配0个或多个的表达式 |
+ | 匹配1个或多个的表达式 |
? | 匹配0个或1个由前⾯的正则表达式定义的⽚段,⾮贪婪⽅式 |
{n} | 精确匹配n个前⾯表达式 |
{n, m} | 匹配 n 到 m 次由前⾯的正则表达式定义的⽚段,贪婪⽅式 |
a|b | 匹配a或b |
( ) | 匹配括号内的表达式,也表示⼀个组 |
re 模块
Python通过re模块支持正则表达式,re 模块使 Python 语言拥有全部的正则表达式功能。
涉及到 5 个常用的方法:
- re.match()
- re.search()
- re.findall()
- re.sub()
- re.complie()
re.match
re.match 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。 re.match(pattern, string, flflags=0)
1.最常规的匹配
import re
content = 'Hello 123 4567 World_This is a Regex Demo'
print(len(content))
# 逐个精确匹配 和 指定{10}精确匹配
result = re.match('^Hello\s\d\d\d\s\d{4}\s\w{10}.*Demo$', content)
print(result)
print(result.group())
print(result.span())
41
<_sre.SRE_Match object; span=(0, 41), match='Hello 123 4567 World_This is a
Regex Demo'>
Hello 123 4567 World_This is a Regex Demo
(0, 41)
2.泛匹配
import re
content = 'Hello 123 4567 World_This is a Regex Demo'
# 匹配开头,结尾
result = re.match('^Hello.*Demo$', content)
print(result)
print(result.group())
print(result.span())
<re.Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex
Demo'>
Hello 123 4567 World_This is a Regex Demo
(0, 41)
3.匹配目标
import re
content = 'Hello 1234567 World_This is a Regex Demo'
# ⽤括号标记要匹配的⽬标 \d+表示⾄少1个数字
result = re.match('^Hello\s(\d+)\sWorld.*Demo$', content)
print(result)
print(result.group(1))
print(result.span())
<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex
Demo'>
1234567
(0, 40)
4.贪婪匹配
import re
content = 'Hello 1234567 World_This is a Regex Demo'
# .*贪婪匹配,所以会尽可能的多匹配,⽽\d+⾄少⼀个即可,即匹配7
result = re.match('^He.*(\d+).*Demo$', content)
print(result)
print(result.group(1))
<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex
Demo'>
7
5.非贪婪匹配
import re
content = 'Hello 1234567 World_This is a Regex Demo'
# .*? ⾮贪婪匹配,所以会尽可能的少匹配,⽽\d+⾄少⼀个,⾄多没有上限,所以\d+匹配尽可能多的数
字
# .*?⾮贪婪,意味着其他要贪婪
result = re.match('^He.*?(\d+).*Demo$', content)
print(result)
print(result.group(1))
<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex
Demo'>
1234567
6.匹配模式
import re
content = '''Hello 1234567 World_This
is a Regex Demo
'''
# re.S表示包含换⾏符
# result = re.match('^He.*?(\d+).*?Demo$', content, re.S)
result = re.match('^He.*?(\d+).*?Demo$', content)
print(result.group(1))
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-25-7bfc6a037fe1> in <module>
7 # result = re.match('^He.*?(\d+).*?Demo$', content, re.S)
8 result = re.match('^He.*?(\d+).*?Demo$', content)
----> 9 print(result.group(1))
AttributeError: 'NoneType' object has no attribute 'group'
7.转义
import re
content = 'price is $5.00'
# 特殊字符匹配失败
result = re.match('price is $5.00', content)
print(result)
None
primport re
content = 'price is $5.00'
# 转义后可以匹配
result = re.match('price is \$5\.00', content)
print(result.group(0))intf("hello world!");
price is $5.00
总结:尽量使⽤泛匹配、使⽤括号得到匹配⽬标、尽量使⽤⾮贪婪模式、有换⾏符就⽤re.S
re.search
re.search 扫描整个字符串并返回第⼀个成功的匹配。
import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
# match必须从起始位置开始匹配
result = re.match('Hello.*?(\d+).*?Demo', content)
# 匹配成功
# result = re.match('Extra stings Hello.*?(\d+).*?Demo', content)
print(result)
<re.Match object; span=(0, 53), match='Extra stings Hello 1234567 World_This
is a Regex >
import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
# 不要求从头开始匹配,只要内容符合匹配即可
result = re.search('Hello.*?(\d+).*?Demo', content)
print(result)
<re.Match object; span=(13, 53), match='Hello 1234567 World_This is a Regex
Demo'>
1234567
总结:为匹配⽅便,能⽤search就不⽤match
re.findall
搜索字符串,以列表形式返回全部能匹配的⼦串。
import re
html = '''<div id="songs-list">
<h2 class="title">经典⽼歌</h2>
re.sub
正则替换:替换字符串中每⼀个匹配的⼦串后返回替换后的字符串。
<p class="introduction">
经典⽼歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">⼀路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤⻬">沧海⼀声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="⻬秦">往事随⻛</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁⽉</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君">但愿⼈⻓久</a>
</li>
</ul>
</div>'''
# \w+ ⾄少⼀个数字字⺟下划线
# \s*?若⼲个空⽩字符:空格/回⻋/制表
results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>', html, re.S)
print(results)
for result in results:
print(result[1])
[('', '⼀路上有你', ''), ('<a href="/2.mp3" singer="任贤⻬">', '沧海⼀声笑',
'</a>'), ('<a href="/3.mp3" singer="⻬秦">', '往事随⻛', '</a>'), ('<a
href="/4.mp3" singer="beyond">', '光辉岁⽉', '</a>'), ('<a href="/5.mp3"
singer="陈慧琳">', '记事本', '</a>'), ('<a href="/6.mp3" singer="邓丽君">', '但愿
⼈⻓久', '</a>')]
⼀路上有你
沧海⼀声笑
往事随⻛
光辉岁⽉
记事本
但愿⼈⻓久
re.sub
正则替换:替换字符串中每⼀个匹配的⼦串后返回替换后的字符串。
import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
# 把数字替换成指定字符串
content = re.sub('\d+', 'Replacement', content)
print(content)
Extra stings Hello Replacement World_This is a Regex Demo Extra stings
printf("hello world!");import re
content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'
# 替换之后,使⽤ \1 代表替换后的结果,继续在后⾯添加数字
# 注意使⽤r'' 表示纯字符
content = re.sub('(\d+)', r'\1 110', content)
print(content)
Extra stings Hello 1234567 110 World_This is a Regex Demo Extra stings
re.compile
将正则字符串编译成正则表达式对象
import re
content = '''Hello 1234567 World_This
is a Regex Demo'''
pattern = re.compile('Hello.*Demo', re.S)
result = re.match(pattern, content)
print(result)
<_sre.SRE_Match object; span=(0, 40), match='Hello 1234567 World_This\nis a
Regex Demo'>