正则表达式,就是将杂乱无章的下载网页解析成我们想要的信息的一种逻辑方法
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。
正则表达式的大致匹配过程是:
- 依次拿出表达式和文本中的字符比较,
- 如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。
3. 如果表达式中有量词或边界,这个过程会稍微有一些不同。
语法规则匹配
数量词的贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。
Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;
非贪婪的则相反,总是尝试匹配尽可能少的字符。
例如:正则表达式”ab*”
如果用于查找”abbbc”
,将找到”abbb”
。而如果使用非贪婪的数量词”ab*?”
,将找到”a”
。
==注:我们一般使用非贪婪模式来提取。==
反斜杠问题
与大多数编程语言相同,正则表达式里使用”\”作为转义字符,这就可能造成反斜杠困扰。
假如你需要匹配文本中的字符”\”,那么使用编程语言表示的正则表达式里将需要4个反斜杠”\\”:前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串==很好地解决了这个问题==,这个例子中的正则表达式可以使用r”\\”
表示。同样,匹配一个数字的”\\d”
可以写成r”\d”
。有了原生字符串,妈妈也不用担心是不是漏写了反斜杠,写出来的表达式也更直观勒。
Python Re模块
Python 自带了re模块,它提供了对正则表达式的支持。主要用到的方法列举如下
==返回pattern对象==
re.compile(string[,flag])
- ==pattern==可以理解为一个匹配模式,那么我们怎么获得这个匹配模式呢?很简单,我们需要利用re.compile方法就可以,例如
pattern = re.compile(r'hello')
。 - 在参数中我们传入了原生字符串对象,通过compile方法编译生成一个pattern对象,然后我们利用这个对象来进行进一步的匹配。
- 参数flag是匹配模式,取值可以使用按位或运算符
’|’
表示同时生效,比如re.I | re.M
。 - 可选值:
• re.I(全拼:IGNORECASE): 忽略大小写(括号内是完整写法,下同)
• re.M(全拼:MULTILINE): 多行模式,改变'^'和'$'的行为(参见上图)
• re.S(全拼:DOTALL): 点任意匹配模式,改变'.'的行为
• re.L(全拼:LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
• re.U(全拼:UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
• re.X(全拼:VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。
==以下为匹配所用函数==
re.match(pattern, string[, flags])
re.search(pattern, string[, flags])
re.split(pattern, string[, maxsplit])
re.findall(pattern, string[, flags])
re.finditer(pattern, string[, flags])
re.sub(pattern, repl, string[, count])
re.subn(pattern, repl, string[, count])