手机号码的正则
PHONE_NUM_RE = re.compile(r'^0\d{2,3}\d{7,8}$|^1[34578]\d{9}$|^147\d{8}', re.IGNORECASE)
re.match(PHONE_NUM_RE, mobile)
正则表达式
用正则表达式要引入re模块 import re
元字符
. ^ $ * + ? {} [] \ | ()
[ ]
常用来指定一个字符集:[abc] ; [a-z];[a-zA-Z0-9]
取不在区间范围的字符:[^abc]
import re
s = r't[oi]p'
print re.findall(s,'top tip tjp')
输出: [‘top’, ‘tip’]
import re
s = r't[^oi]p'
print re.findall(s,'top tip tjp')
输出:[‘tjp’]
^ 表示从行首开头的一个,元字符内^不起作用,如[ ]中^表示不是这些字符
import re
s = r'^hello'
print re.findall(s,'hello aa hello')
输出[‘hello’]
import re
s = r'^hello'
print re.findall(s,'aa hello')
输出[]
$表示行尾
import re
s = r'hello$'
print re.findall(s,'aa hello')
输出:[‘hello’]
\ 斜杠
斜杠后面可以加不同的字符表示不同的特殊意义
也可以用于取消所有的元字符:[ 或 \
\d 匹配任何十进制数:它相当于[0-9]
\D 匹配任何非数字字符:它相当于[^0-9]
\s 匹配任何空白字符:它相当于[\t\n\r\f\v]
\S 匹配任何非空白字符:它相当于[^\t\n\r\f\v]
\w 匹配任何字母数字字符:它相当于[a-zA-Z0-9_]
\W 匹配任何非字母数字字符:它相当于[^a-zA-Z0-9_]
重复
a{n} 将前面的a重复n次
a{m,n} a最少重复m次最多重复n次
m不写为0 ,n不写相当于*
{0,}等同于*
{1,}等同于 +
{0,1}等同于?
例如:取电话号码
import re
s = r'^0571-\d{1,8}'#把\d 重复8次
print re.findall(s,'0571-67777777')
*将前面的字符匹配0次到多次
import re
s = r'^0571-2*'
print re.findall(s,'0571-22222222')
输出[‘0571-22222222’]
+将前面的字符重复1次到多次
?将前面的字符重复0次到多次
贪婪模式跟非贪婪模式
import re
r=r'ab+'
print re.findall(r,'abbbbbbbbbb')
输出:[‘abbbbbbbbbb’]
贪婪模式匹配最多的
import re
r=r'ab+?'
print re.findall(r,'abbbbbbbbbb')
输出:[‘ab’]
非贪婪模式匹配最少的,就是在后面加?
正则常用函数
re.compile() 编译正则,加快速度
compile(pattern, flags=0)
import re
r=r'\d{3,4}-?\d{8}'
p_tel = re.compile(r)
print re.findall(p_tel,'0571-67777777')
print p_tel.findall('0571-61111111')
flags可以给编译加些属性,如不区分大小写
import re
r=r'abcde'
p = re.compile(r,re.I)
print p.findall('aBCdE')
会输出:[‘aBCdE’]
math() 决定re是否在字符串开始位置匹配 返回match对象
match对象中的方法:
group() 返回re匹配的字符串
start() 返回匹配开始的位置
end() 返回匹配结束的位置
span() 返回一个元组包含匹配开始,结束的位置
search() 扫描字符串,找到re匹配的位置,返回match对象
findall() 找到re匹配的所有字串,并把它们作为一个列表返回
finditer() 找到re匹配的所有字串,并把它们作为一个迭代器返回
sub() subn()替换
import re
r=r'a...e'
print re.sub(r,'12345','abcde')
输出:12345
split() 切割
import re
s='123+456-789'
print re.split(r'[\+\-]',s)
输出:[‘123’, ‘456’, ‘789’]
分组
(a|b)
import re
email = r'\w+@\w+(\.com|\.cn)'
print re.search(email,'billvsme@163.com').group()
输出:billvsme@163.com
import re
email = r'\w+@\w+(\.com|\.cn)'
print re.findall(email,'billvsme@163.com')
这样只会输出分组内地内容 :[‘.com’] ,在爬虫中这样很有用