python re用法

一、re是什么

python的re模块提供了正则表达式的常用方法

二、re模块中的方法

1.re.compile()
该方法用来生成正则表达式对象
语法格式如下：
regex=re.compile(pattern,flags=0)
参数：
pattern——正则表达式
flags——标志位
返回值：
正则表达式对象

2.re.findall()
查找字符串中匹配正则表达式的内容。
语法格式：
matches = re.findall(pattern,string,flags=0)
参数说明如下：
pattern——正则表达式
string——目标字符串
flags——标志位
返回值：
匹配到的内容列表，如果正则表达式有分组，则只能获取到分组对应的内容。

3.regex.findall()
查找字符串中匹配正则表达式的内容。
语法格式：
matches = regex.findall(string,pos,endpos)
参数：
string——目标字符串。
pos——截取目标字符串的开始匹配位置。
endpos——截取目标字符串的结束匹配位置。
返回值：
匹配到的内容列表。如果正则表达式有分组，则只能获取到分组对应的内容。

4.re.split()
使用正则表达式匹配内容，切割目标字符串。
语法格式：
re.split(pattern,string,flags = 0)
参数：
pattern——正则表达式。
string——目标字符串。
flags——标志位
返回值：
切割后的内容列表

5.re.sub()
使用一个字符串替换正则表达式匹配到的内容。
语法格式：
re.sub(pattern,replace,string,max,flags = 0)
参数：
pattern——正则表达式。
replace——替换成此字符串。
string——目标字符串。
max——最多替换几处，默认替换全部，
flags——标志位
返回值：
替换后的字符串

6.re.search()
查找目标字符串中第一个匹配正则表达式的内容
语法格式：
re.search(pattern,string,flags=0)
参数：
pattern——正则表达式
string——目标字符串
flags——标志位
返回值：
匹配的内容

三、flags标志位

常用的flag如下所示：

flag	说明
A	元字符只能匹配ASCII码。
I	匹配忽略字母大小写。
S	使.可以匹配换行符。
M	使 ^ $ 可以匹配每一行的开头和结尾位置。

注意：可以同时使用多个标志位，比如flags=re.I|re.S。

下面使用贪婪和非贪婪两种模式来匹配HTML元素
如下所示：

import re
html="""
<div><p>www.biancheng.net</p></div>
<div><p>编程帮</p></div>
"""
#贪婪匹配，re.S可以匹配换行符
regex=re.compile('<div><p>.*</p></div>',re.S)
re_list=regex.findall(html)
print(re_list)

#非贪婪模式匹配，re.S可以匹配换行符
regex=re.compile('<div><p>.*?</p></div>',re.S)
re_list=regex.findall(html)
print(re_list)

输出结果：
['<div><p>www.biancheng.net</p></div>\n<div><p>编程帮</p></div>']
['<div><p>www.biancheng.net</p></div>', '<div><p>编程帮</p></div>']
从上述输出结果可以得出非贪婪模式比较适合提取HTML信息。

四、正则表达式分组

通过正则表达式分组可以从匹配的信息中提取出想要的信息。
示例演示：

import re
website="编程帮 www.biancheng.net"
#提取所有信息
regex1=re.compile('\w+\s+\w+\.\w+\.\w+')
print(regex1.findall(website))

#提取匹配信息的第一项
regex2=re.compile('(\w+)\s+\w+\.\w+\.\w+')
print(regex2.findall(website))

#有两个及以上的()则以元组形式显示
regex3=re.compile('(\w+)\s+(\w+\.\w+\.\w+)')
print(regex3.findall(website))

输出结果：
['编程帮 www.biancheng.net']
['编程帮']
[('编程帮', 'www.biancheng.net')]

正则表达式分组是提取信息的常用方式。当需要哪个特定信息的时候，就可以通过分组(也就是加括号)的方式获得。
例子：
从下面的HTML代码中使用re模块提取出两部影片的名称和主演信息。

html="""
<div class="movie-item-info">
<p class="name">
<a title="你好，李焕英">你好，李焕英</a>
</p>
<p class="star">
主演：贾玲,张小斐,沈腾
</p>    
</div>

<div class="movie-item-info">
<p class="name">
<a title="刺杀，小说家">刺杀，小说家</a>
</p>
<p class="star">
主演：雷佳音,杨幂,董子健,于和伟
</p>    
</div> 
"""
# 寻找HTML规律，书写正则表达式，使用正则表达式分组提取信息
regex=re.compile(r'<div.*?<a title="(.*?)".*?star">(.*?)</p.*?div>',re.S)
r_list=regex.findall(html)
print(r_list)
# 整理数据格式并输出
if  r_list:
    for r_info in  r_list:
        print("影片名称：",r_info[0])
        print("影片主演：",r_info[1].strip())
        print(20*"*")

输出结果如下：
[('你好，李焕英', '\n主演：贾玲,张小斐,沈腾\n'), ('刺杀，小说家', '\n主演：雷佳音,杨幂,董子健,于和伟\n')]
影片名称： 你好，李焕英
影片主演： 主演：贾玲,张小斐,沈腾
********************
影片名称： 刺杀，小说家
影片主演： 主演：雷佳音,杨幂,董子健,于和伟
********************