Python正则表达式(re)

正则表达式

正则基础

import re
print re.search("b","abcd")  #前面是条件，后面是内容
print re.search("a(b|de)c","abcd")  #(|)表示或abc或adec
print re.search("a[bde]c","adcb")    #表示，abc\adc\aec 注意和上面的对比
print re.search("a.c","adcb")  #"."代表任意一个字符，且必须有一个
print re.search("a..c","adecb")  #".."代表任意二个字符，且必须有二个
print re.search("a\dc","a1cb")  #"\d"代表数字
print re.search("a\wc","a1cb")  #"\w"代表数字或字母
print re.search("a\w{1,3}c","a12acb")  #"\w{1,3}"匹配1-3个数字或字母
print re.search("a\w*c","a12acb")  #"\w*"匹配任意个长度数字或字母，\w决定类型，*号决定任意长度
print re.search("a*c","abcb") #实际匹配到"c"，“a*c”表示c前面可以有任意个a，这*相当于“0”了 
print re.search("a+c","abcb") #实际匹配不到，“a+c”，"+"表示一次或多次
print re.search("a?c","aacb") #匹配到“ac”,“a?c”，"?"表示a出现0次或1次

search VS match

####search match  正则的规则没区别，只是match是从匹配，如：re.match("abc","fabcd")久匹配不到，search可以。
print re.search("^abc","abcb") #相当于re.match("abc","abcd")，注意"^"，可以取代match
print re.search("abc$","aabc") #$表示必须在尾部出现才可以
#search 与 findall区别 search只显示查找到的第一个，find则显示匹配到所有的
print re.findall("abc","abcdabcd")

###将findall做拆分
pat = re.compile("ab.") #定义一个规则
pat.findall("abcd,abed")

s = '<a href="http://www.sina.com.cn">'
re.findall('href=".*"',s) #输出：['href="http://www.sina.com.cn"']
re.findall('href="(.*)"',s) #输出：['http://www.sina.com.cn']  
# 此处"()"是python独有，表示只输出配到的（）内容，相当于截取
###注意转义字符"\"，比如就需要匹配"."或“*”或"?"的情况

实际应用中，以findall使用范围较广，findall与search用法基本一致。

———小练习————-

import requests,re
url ='http://tieba.baidu.com/f?ie=utf-8&kw=%s&fr=search' % "java"
tieba = requests.get(url)
print tieba.status_code #返回的状态码
print re.findall('title="回复">(\d{1,})</div>',tieba.content)
###注意两种写法##
url ='http://tieba.baidu.com/f?ie=utf-8&kw=%s&fr=search'
tieba = requests.get(url % "python")
print tieba.status_code#返回的状态码
print re.findall('title="回复">(\d{1,})</div>',tieba.content)

——–贪婪匹配——–

s1 = "<div>a</div><div>b</div>"
re.findall("<div>(.*)</div>",s1) #贪婪匹配  返回：['a</div><div>b']
re.findall("<div>(.*?)</div>",s1)#非贪婪匹配 返回：['a', 'b']

——–练习——–

import requests,re
url = 'http://www.sohu.com'
news = requests.get(url)
link = re.findall('<li sdevindex="6">(.*?)</li>',news.content)
for a in link:
    b = re.findall('_blank">(.*?)</a>',a)
    print b[0].decode("gbk")