课堂笔记
1.正则表达式的简介
1.1 概念
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
1.2 正则表达式的应用场景
• 表单验证(例如 : 手机号、邮箱、身份证… )
• 爬虫
2. 正则表达式对Python的支持
2.1 普通字符
字母、数字、汉字、下划线、以及没有特殊定义的符号,都是"普通字符"。正则
表达式中的普通字符,在匹配的时候,只匹配与自身相同的一个字符。
例如:表达式c,在匹配字符串abcde时,匹配结果是:成功;匹配到的内容
是c;匹配到的位置开始于2,结束于3。(注:下标从0开始还是从1开始,因
当前编程语言的不同而可能不同)
match()函数
• match(pattern, string, flags=0)
• 第一个参数是正则表达式,如果匹配成功,则返回一个match对象,否则返回一个None
• 第二个参数表示要匹配的字符串
• 第三个参数是标致位用于控制正则表达式的匹配方式 如: 是否区分大小写,多行匹配等等
2.2 元字符
正则表达式中使⽤了很多元字符,⽤来表示⼀些特殊的含义或功能
一些无法书写或者具有特殊功能的字符,采用在前面加斜杠""进行转义的方法。
例如下表所示
尚未列出的还有问号?、星号*和括号等其他的符号。所有正则表达式中具有特殊含义的字符在匹配自身的时候,都要使用斜杠进行转义。这些转义字符的匹配用法与普通字符类似,也是匹配与之相同的一个字符
2.3 预定义匹配字符集
正则表达式中的一些表示方法,可以同时匹配某个预定义字符集中的任意一个字符。比如,表达式\d可以匹配任意一个数字。虽然可以匹配其中任意字符,但是只能是一个,不是多个
2.4 重复匹配
前面的表达式,无论是只能匹配一种字符的表达式,还是可以匹配多种字符其中任意一个的表达式,都只能匹配一次。但是有时候我们需要对某个字段进行重复匹配,例如手机号码13666666666,一般的新手可能会写成\d\d\d\d\d\d\d\d\d\d\d(注意,这不是一个恰当的表达式),不但写着费劲,看着也累,还不⼀定准确恰当。
这种情况可以使用表达式再加上修饰匹配次数的特殊符号{},不但重复书写表达式就可以重复匹配。例如[abcd][abcd]可以写成[abcd]{2}
2.5 位置匹配和非贪婪匹配
位置匹配
有时候,我们对匹配出现的位置有要求,比如开头、结尾、单词之间等等
贪婪与非贪婪模式
在重复匹配时,正则表达式默认总是尽可能多的匹配,这被称为贪婪模式。例如,针对文本dxxxdxxxd,表达式(d)(\w+)(d)中的\w+将匹配第一个d和最后一个d之间的所有字符xxxdxxx。可见,\w+在匹配的时候,总是尽可能多的匹配符合它规则的字符。同理,带有?、*和{m,n}的重复匹配表达式都是尽可能地多匹配
校验数字的相关表达式:
特殊场景的表达式:
3. re模块常用方法
compile(pattern, flags=0)
这个⽅法是re模块的工厂法,⽤于将字符串形式的正则表达式编译为Pattern模式对象,可以实现更加效率的匹配。第二个参数flag是匹配模式 使用compile()完成一次转换后,再次使用该匹配模式的时候就不能进行转换了。经过compile()转换的正则表达式对象也能使用普通的re⽅法
flag匹配模式
search(pattern, string, flags=0)
在文本内查找,返回第一个匹配到的字符串。它的返回值类型和使用方法与match()是一样的,唯一的区别就是查找的位置不用固定在文本的开头
findall(pattern, string, flags=0)
作为re模块的三大搜索函数之一,findall()和match()、search()的不同之处在于,前两者都是单值匹配,找到一个就忽略后面,直接返回不再查找了。而findall是全文查找,它的返回值是一个匹配到的字符串的列表。这个列表没有group()方法,没有start、end、span,更不是一个匹配对象,仅仅是个列表!如果一项都没有匹配到那么返回一个空列表
split(pattern, string, maxsplit=0, flags=0)
re模块的split()方法和字符串的split()方法很相似,都是利用特定的字符去分割字符串。但是re模块的split()可以使用正则表达式,因此更灵活,更强大
split有个参数maxsplit,用于指定分割的次数
sub(pattern, repl, string, count=0, flags=0)
sub()方法类似字符串的replace()方法,用指定的内容替换匹配到的字符,可以指定替换次数
import re
# 正则表达式
pattern = 'pyth'
s = 'pythonn and java'
result = re.match(pattern,s)
if result:
print(result.group())
# print(result.start())
# print(result.end())
# print(result.span())
else:
print('没有匹配到')
4. 分组功能
Python的re模块有一个分组功能。所谓的分组就是去已经匹配到的内容再筛选出需要的内容,相当于二次过滤。实现分组靠圆括号(),而获取分组的内容靠的是group()、groups(),其实前面我们已经展示过。re模块里的积个重要方法在分组上,有不同的表现形式,需要区别对待
#!/usr/bin/env python
# coding: utf-8
# In[1]:
import re
# In[2]:
# .可以匹配除了换行之外的任意一个字符
# In[3]:
re.match(r'a.c','abc').group()
# In[4]:
re.match(r'a.c','aHb').group()
# In[5]:
re.match(r'a.c','aHc').group()
# In[6]:
re.match(r'a.c','a2c').group()
# In[7]:
re.match(r'a.c','a\nc').group()
# In[8]:
re.match(r'a.c','a你c').group()
# In[9]:
re.match(r'a.c','a你好c').group()
# In[10]:
re.match(r'a|c','a').group()
# In[11]:
re.match(r'a|c','c').group()
# In[12]:
re.match(r'a|c','b').group()
# In[13]:
re.match(r'a|b','ab').group()
# In[14]:
re.match(r'a|b','ba').group()
# In[15]:
re.match(r'a|b','cba').group()
# In[16]:
re.search(r'a|b','cba').group()
# In[17]:
# [] 匹配字符集中的一个字符
# In[18]:
re.match(r'[abc]','a').group()
# In[19]:
re.match(r'[abc]2','a').group()
# In[20]:
re.match(r'速度与激情[12345678]','速度与激情6').group()
# In[21]:
re.match(r'速度与激情[12345678]','速度与激情9').group()
# In[22]:
re.match(r'速度与激情[12345678]','速度与激情12').group()
# In[23]:
# ^ 对字符集的求反,也就是上面的反操作,尖括号必须在方括号的最前面
# In[24]:
re.match(r'速度与激情[^12345678]','速度与激情0').group()
# In[25]:
re.match(r'速度与激情[^12345678]','速度与激情9').group()
# In[26]:
re.match(r'速度与激情[^12345678]','速度与激情10').group()
# In[27]:
re.match(r'速度与激情[1-8]','速度与激情0').group()
# In[28]:
re.match(r'速度与激情[1-8]','速度与激情6').group()
# In[29]:
re.match(r'速度与激情[1-8a-z]','速度与激情6a').group()
# In[30]:
re.match(r'速度与激情[a-z]','速度与激情a').group()
# In[31]:
# \ 对紧跟其后的一个字符进行转义
# In[32]:
re.match(r'速度.与激情[a-z]','速度.与激情a').group()
# In[33]:
re.match(r'速度\.与激情[a-z]','速度.与激情a').group()
# In[34]:
re.match(r'速度.与激情[a-z]','速度a与激情a').group()
# In[35]:
re.match(r'速度\.与激情[a-z]','速度a与激情a').group()
# In[36]:
# \d 0-9中任意一个数字
# In[37]:
re.match(r'123','123').group()
# In[38]:
re.match(r'[1]23','123').group()
# In[39]:
re.match(r'[1-3]','123').group()
# In[40]:
re.match(r'\d','123').group()
# In[41]:
re.match(r'\d','a123').group()
# In[42]:
re.match(r'\w','a123').group() # \w 任意一个字母或数字或下划线
# In[43]:
re.match(r'[a-zA-Z0-9_]','a123').group()
# In[44]:
re.match(r'[a-zA-Z0-9_]','0123').group()
# In[45]:
re.match(r'[a-zA-Z0-9_]','_123').group()
# In[46]:
# \s 空格 制表符 换页符 等空白字符中的任意一个
# In[47]:
re.match(r'\s',' ').group()
# In[48]:
re.match(r'\s','\t').group()
# In[49]:
re.match(r'速度\.与激情\d','速度与激情7').group()
# In[50]:
re.match(r'速度与激情\d','速度与激情7').group()
# In[51]:
re.match(r'速度与激情\d','速度与激情4').group()
# In[52]:
re.match(r'速度与激情\d','速度与激情a').group()
# In[53]:
re.match(r'速度与激情\w','速度与激情a').group()
# In[54]:
re.match(r'速度与激情\w','速度与激情A').group()
# In[55]:
re.match(r'速度与激情\w','速度与激情_').group()
# In[56]:
# \D \d的取反操作 也就是非数字的任意一个字符 等同于[^\d]
# In[57]:
re.match(r'速度与激情\D','速度与激情_').group()
# In[58]:
re.match(r'速度与激情\D','速度与激情&').group()
# In[59]:
re.match(r'速度与激情\D','速度与激情+').group()
# In[60]:
re.match(r'速度与激情\D','速度与激情6').group()
# In[61]:
re.match(r'速度与激情\d','速度与激情+').group()
# In[62]:
# {n} 表达式重复n次
# In[63]:
re.match(r'\d{3}','123').group()
# In[64]:
re.match(r'\d{11}','12345678901').group()
# In[65]:
# {m,n} 表达式至少重复m次 最多重复n此
# In[66]:
re.match(r'\d{4}-\d{7}','0123-1234567').group()
# In[67]:
re.match(r'\d{3,4}-\d{7,8}','0123-1234567').group()
# In[68]:
re.match(r'\d{3,4}-\d{7,8}','012-1234567').group()
# In[69]:
re.match(r'\d{3,4}-\d{7,8}','012-12345678').group()
# In[70]:
re.match(r'\d{3,4}-\d{7,8}','012-123456789').group()
# In[71]:
# {m,} 表示至少重复m次
# In[72]:
re.match(r'\d{3,}-\d{7,8}','012-12345678').group()
# In[73]:
re.match(r'\d{3,}-\d{7,8}','0132-12345678').group()
# In[74]:
re.match(r'\d{3,}-\d{7,8}','01322567789-12345678').group()
# In[75]:
re.match(r'\d{3,}-\d{7,8}','01-12345678').group()
# In[76]:
# ?表示前一个字符出现0次或者1次 要么有1次要么没有
# In[77]:
re.match(r'w[a-z]?','wdeco').group()
# In[78]:
re.match(r'w[a-z]?','w').group()
# In[79]:
re.match(r'w[a-z]','w').group()
# In[80]:
# + 匹配前一个字符出现1次或者无限次,至少1次
# In[81]:
re.match(r'w[a-z]+','wdeco').group()
# In[82]:
re.match(r'w[a-z]+','wd').group()
# In[83]:
re.match(r'w[a-z]+','w').group()
# In[84]:
# * 出现0次到任意次
# In[ ]:
html_content = '''adfsdfdsfdsf
fdsfdsfsdf
fdsfdsfsda
fdsfdsf
fdfdfd
fdfdfd
'''
# In[85]:
re.match(r'.*',html_content).group()
# In[86]:
re.match(r'.*',html_content).group()
# In[87]:
h = '''afdsfdsfd
fdfdfdfd
fdfdfdfdfdf
fdfdfdfdf
fdfdfdfdfdffdf
'''
# In[88]:
re.match('.*',h).group()
# In[89]:
re.match('.*',h,re.S).group()
# In[ ]: