正则表达式（python）

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

re模块

• re模块是python独有的匹配字符串的模块，该模块中提供的很多功能是基于正则表达式实现的，而正则表达式是对字符串进行模糊匹配，提取自己需要的字符串部分，他对所有的语言都通用。注意：
  • re模块是python独有的
  • 正则表达式所有编程语言都可以使用
  • re模块、正则表达式是对字符串进行操作
• 因为，re模块中的方法大都借助于正则表达式，故先学习正则表达式。

实例代码：

• 基础

import re
str1 = "S12345s6372S43"

str2 = "fangweijie is a good man!GoOd"
print(re.match('s',str1,flags=re.I))

print(re.search('3',str1))

print(re.findall('2',str1))

print(re.findall('[246]',str1))

print(re.findall('(637),(897)',str1))

print(re.findall('good',str2,flags=re.I))

• 深入

import re

str1 = "fang wei_jie"
d = re.split('[ _]',str1)

print(d)

D = re.finditer('[n]',str1)

print(type(D))
print(D)

print(re.sub('[fwj]','C',str1))
print(str1)

print(re.subn('[fwj]','Z',str1))

str2 = "fangweijie fangting "

str3 = "010-12345"

m1 = re.match('\d{3}-\d{5}',str3)

m = re.match('(?P<frist>fa(?P<last>ng))',str2)

print('-----------------')
print(m1.group(0))
print(m.groups())
print(m.group(1))
print(m.group(2))

print('-----------------')
print(m.group('frist'))
print(m.group('last'))

re_name = re.compile('(fa(ng))')
print(re_name.search(str2))
print(re_name.match(str2))
print(re_name.findall(str2))

元字符

字符	描述
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如，‘n’ 匹配字符 “n”。’\n’ 匹配一个换行符。序列 ‘\’ 匹配 “” 而 “(” 则匹配 “(”。
^	匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 ‘\n’ 或 ‘\r’ 之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 ‘\n’ 或 ‘\r’ 之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，‘zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?” 可以匹配 “do” 或 “does” 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，‘o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。
{n,}	n 是一个非负整数。至少匹配n 次。例如，‘o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。‘o{1,}’ 等价于 ‘o+’。‘o{0,}’ 则等价于 ‘o*’。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，“o{1,3}” 将匹配 “fooooood” 中的前三个 o。‘o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 “oooo”，‘o+?’ 将匹配单个 “o”，而 ‘o+’ 将匹配所有 ‘o’。
.	匹配除换行符（\n、\r）之外的任何单个字符。要匹配包括 ‘\n’ 在内的任何字符，请使用像"(.
(pattern)	匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在JScript 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 ‘(’ 或 ‘)’。
(?:pattern)	匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 “或” 字符 (
(?=pattern)	正向肯定预查（look ahead positive assert），在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，"Windows(?=95
(?!pattern)	正向否定预查(negative assert)，在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如"Windows(?!95
(?<=pattern)	反向(look behind)肯定预查，与正向肯定预查类似，只是方向相反。例如，"(?<=95
(?<!pattern)	反向否定预查，与正向否定预查类似，只是方向相反。例如"(<!95/98/NT/2000)Windows"能匹配"3.1Windows"中的"Windows"，但不能匹配"2000Windows"中的"Windows"。
x/y	匹配 x 或 y。例如，‘z/food’ 能匹配 “z” 或 “food”。’(z/f)ood’ 则匹配 “zood” 或 “food”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如， ‘[abc]’ 可以匹配 “plain” 中的 ‘a’。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如， ‘[^abc]’ 可以匹配 “plain” 中的’p’、‘l’、‘i’、‘n’。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，’[a-z]’ 可以匹配 ‘a’ 到 ‘z’ 范围内的任意小写字母字符。
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，’[^a-z]’ 可以匹配任何不在 ‘a’ 到 ‘z’ 范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b’ 可以匹配"never" 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’。
\B	匹配非单词边界。‘er\B’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。
\cx	匹配由 x 指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 ‘c’ 字符。
\d	匹配一个数字字符。等价于 [0-9]。
\D	匹配一个非数字字符。等价于 [^0-9]。
\f	匹配一个换页符。等价于 \x0c 和 \cL。
\n	匹配一个换行符。等价于 \x0a 和 \cJ。
\r	匹配一个回车符。等价于 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于 \x09 和 \cI。
\v	匹配一个垂直制表符。等价于 \x0b 和 \cK。
\w	匹配字母、数字、下划线。等价于’[A-Za-z0-9_]’。
\W	匹配非字母、数字、下划线。等价于 ‘[^A-Za-z0-9_]’。
\xn	匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，’\x41’ 匹配 “A”。’\x041’ 则等价于 ‘\x04’ & “1”。正则表达式中可以使用 ASCII 编码。
\num	匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，’(.)\1’ 匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为向后引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。
\nm	标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式，则 nm 为向后引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。
\nml	如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。
\un	匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。

实例代码：

• 这里只有一部分，其他的与下面代码的格式类似，照葫芦画瓢即可。

import re

print("-----------------\n")
str1 = "famgweijie_19990126!"
str2 = "FangWeiJie_17320015926\n! ?\ffang\rting\t"

print(re.findall('.',str1))

print(re.findall('[0123456789]',str1))

print(re.findall('[0-9a-zA-Z]',str1))

print(re.findall('[\d]',str1))

print(re.findall('[\D]',str1))

print(re.findall('[\w]',str2))

print(re.findall('[\W]',str2))

print(re.findall('[\s]',str2))

print(re.findall('[\S]',str2))

print(re.findall('[^0-9]',str2))

锚字符

import re

str1 = "fang san jin_19671015"
str2 = "zhou hong ying_19671115 fang ting19920126cool fangweijie1990126 cool"
str3 = "fang"

print(re.findall("^fang",str1))

print(re.findall("fang$",str1))

print(re.findall("15$",str1))

print(re.findall("^fang",str2))

print(re.findall("\Afang",str1))

print(re.findall("cool\Z",str2))

print(re.findall("cool\Z",str2))

print(re.findall("ang\b",str2))

print(re.findall("fang\B",str2))

多字符匹配

import re

str1 = "Fang Weijie is a nice man!fang ting is a good woman"

print(re.findall('(fang)',str1,flags=re.I))

print(re.findall('is?',str1))

print(re.findall('a*',"aaaaaaaa"))

print(re.findall('aa+',"aaaaabaaaaaaa"))

print(re.findall('o{2}',str1))

print(re.findall('a{3}',"aaabaabazaaaaaa"))

print(re.findall('a{3,}',"aabaaacaaaaaada"))

print(re.findall('a{3,5}',"aaxczaaanbaaaakjaaaaaa"))

print(re.findall('a|s',str1))

print(re.findall('n|z',str1))

print(re.findall('(F|f)ang',str1))

print(re.findall('aa+?',"aaaaabaaaaaaa"))

print(re.findall('a*?',"aaaaaaaa"))

#print(re.findall(?:a,str1))  error

设置超时

import urllib.request

for i in range(1,100):
    try:
        response = urllib.request.urlopen("http://www.baidu,com",timeout=4)
        print(len(response.read().decode("utf-8")))
    except:
        print("请求超时！")

正则表达式在爬虫中的应用

• urllib爬取网页

import urllib.request

url1 = "https://pixabay.com/"
url2 = "https://movie.douban.com/chart"

header = {
    "User_Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) "
                 "Gecko/20100101 Firefox/34.0Mozilla/5.0 (X11; U;"
                 " Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922"
                 " Ubuntu/10.10 (maverick) Firefox/3.6.10"
}
req = urllib.request.Request(url2,headers=header)
response = urllib.request.urlopen(req)

dataStr = response.read().decode("utf-8")
print(dataStr)
print(type(dataStr))

data = response.readline()
print(data)
print(type(data))

dataList = response.readlines()
print(dataList)
print(type(dataList))

'''
path = r"E:\pycharm project\正则表达式\f1.html"
with open(path,"wb") as f:
    f.write(dataStr)
'''

print(response.info())

print(response.geturl())

print(response.getcode())

• 将爬取到的网页直接写入文件

import urllib.request

path = r"E:\pycharm project\正则表达式\f2.html"
url = "http://www.baidu.com"
urllib.request.urlretrieve(url,path)

#清空缓存
urllib.request.urlcleanup()

运算符优先级

• 正则表达式从左到右进行计算，并遵循优先级顺序，这与算术表达式非常类似。
• 相同优先级的从左到右进行运算，不同优先级的运算先高后低。下表从最高到最低说明了各种正则表达式运算符的优先级顺序：

运算符	描述
\	转义符
(), (?😃, (?=), []	圆括号和方括号
*, +, ?, {n}, {n,}, {n,m}	限定符
^, $, \任何元字符、任何字符	定位点和序列（即：位置和顺序）
|	替换，"或"操作字符具有高于替换运算符的优先级，使得"m