正则表达式
1. 正则表达式
re模块:re模块本身只是用来操作正则表达式的,和正则本身没关系。
正则表达式:是一种规则 匹配字符串的规则。
为什么要有正则表达式?
1.匹配字符串
- 一个人的电话号码 - 一个人的身份证号 - 一台机器的ip地址
2.表单验证
- 验证用户输入的信息是否准确 11位 全数字 1开头 第二个数3-9之内的数 - 银行卡号
3.爬虫
从网页源码中获取一些链接、重要数据
正则规则(元字符,量词):
第一条规则 : 本身是哪一个字符,就匹配字符串中的哪一个字符。
第二条规则 : 字符组[字符1字符2],一个字符组就代表匹配一个字符,只要这个字符出现在字符组里,那么就说明这个字
符能匹配上
字符组中还可以使用范围
所有的范围都必须遵循ascii码从下到大来指定。如:[0-9] [a-z] [A-Z]
2. 元字符
-
\d(digit) \w(word) \s(space) \t(table) \n(next)
[0-9] \d 表示所有的数字
- d --> d
- \d --> \是转义符,转义符转义了d,让d能够匹配所有0-9之间的数
- [\d] [0-9] \d 没有区别 都是要匹配一位数字
\w 表示 大小写字母、数字、下划线
\s 表示空白、空格、换行符、制表符
\t 匹配制表符
\n 匹配换行符
\D \W \S
\D 表示所有的非数字
\W 表示除数字、字母、下划线之外的所有字符
\S 表示非空白
[\d\D] [\W\w] [\S\s] 匹配所有一切字符
. 表示除了换行符之外的任意内容
. 在.前加一个 转义符。表示取消.的意义。
[] [^]
[] 字符组 :只要在中括号内的所有字符都是符合规则的字符
[^ ]非字符组 :只要在中括号内的所有字符都是不符合规则的字符
^ $
^ 表示一个字符的开始
^a abc abc abc # 表示要匹配开始的a
$ 表示一个字符的结束
c$ abc abc abc # 表示要匹配结束的c
^ $ 两个同时存在时,他俩之间的正则规定长度必须和要匹配的内容长度一致。
| ()
| 表示或,注意:如果两个规则有重叠部分,总是长的在前面,短的在后面
() 表示分组,给一部分正则规定为一组,| 这个符号的作用域就可以缩小了
3. 量词
{n} 表示只能出现n次
{n,m}表示至少出现n次,至多出现m次
? 表示匹配0次或1次 表示可有可无 但是有只能有一个 比如小数点
. 表示匹配1次或多次
*表示匹配0次或多次 表示可有可无 但是有可以有多个 比如小数点后n位
什么时候会用到匹配0次?
1.匹配任意的2位整数 \d{2}
2.匹配任意的保留两位小数的数字 \d\.\d{2}
3.匹配一个整数或者小数 \d+\.\d+|\d+ \d+\.?\d* \d+(\.\d+)?
4. 贪婪匹配
正则表达式默认贪婪匹配,总是会在符合量词条件的范围内尽量多匹配。
正则表达式遵循了回溯算法,回溯算法导致了贪婪匹配。
\d{7,12}
adljdkjsljdlj
<.+>
非贪婪匹配 (惰性匹配):总是匹配符合条件范围内尽量小的字符串。
元字符 量词 ,在量词后面加一个?,表示去最少的匹配
元字符 量词 ? x :表示按照元字符规则在量词范围内匹配,一旦遇到x就停止
.*?x 匹配任意的内容任意多次遇到x就立即停止
(\d+?x .*?x )非贪婪匹配在爬虫中会常用
# 身份证号
# 15位 全数字 首位不为0
# 18位 前17位全数字 首位不为0 最后一位可能是x和数字
[1-9](\d{16}(\d|x)|\d{14})
[1-9](\d{16}[\dx]|\d{14})
[1-9]\d{14}(\d{2}[\dx])?