正则表达式

最新推荐文章于 2022-07-01 09:29:11 发布

ls_ange

最新推荐文章于 2022-07-01 09:29:11 发布

阅读量190

点赞数

分类专栏：爬虫文章标签：正则表达式爬虫

本文链接：https://blog.csdn.net/ls_ange/article/details/83474367

版权

爬虫专栏收录该内容

13 篇文章 0 订阅

订阅专栏

正则表达式

https://www.cnblogs.com/tina-python/p/5508402.html

简介

正则表达式本身是一种小型的、高度专业化的编程语言，而在python中，通过内嵌集成re模块，可以直接调用来实现正则匹配。

正则表达式模式被编译成一系列的字节码，然后由用C编写的匹配引擎执行。

语法规则

普通字符和11个元字符：

普通字符	匹配自身	abc	abc
.	匹配任意除换行符"\n"外的字符(在DOTALL模式中也能匹配换行符	a.c	abc
\	转义字符，使后一个字符改变原来的意思	a.c;a\c	a.c;a\c
*	匹配前一个字符0或多次	abc*	ab;abccc
+	匹配前一个字符1次或无限次	abc+	abc;abccc
?	匹配一个字符0次或1次	abc?	ab;abc
^	匹配字符串开头。在多行模式中匹配每一行的开头	^abc	abc
$	匹配字符串末尾，在多行模式中匹配每一行的末尾	abc$	abc
\|	或。匹配	左右表达式任意一个，从左到右匹配，如果	没有包括在()中，则它的范围是整个正则表达式
{}	{m}匹配前一个字符m次，{m,n}匹配前一个字符m至n次，若省略n，则匹配m至无限次	ab{1,2}c	abc abbc
[]	字符集。对应的位置可以是字符集中任意字符。字符集中的字符可以逐个列出，也可以给出范围，如[abc]或[a-c]。[^abc]表示取反，即非abc。所有特殊字符在字符集中都失去其原有的特殊含义。用\反斜杠转义恢复特殊字符的特殊含义。	a[bcd]e	abe ace ade
()	被括起来的表达式将作为分组，从表达式左边开始没遇到一个分组的左括号“（”，编号+1.分组表达式作为一个整体，可以后接数量词。表达式中的	仅在该组中有效。	(abc){2}a(123

这里需要强调一下反斜杠\的作用：

反斜杠后边跟元字符去除特殊功能；（即将特殊字符转义成普通字符）
反斜杠后边跟普通字符实现特殊功能；（即预定义字符）
引用序号对应的字组所匹配的字符串。

    a=re.search(r'(tina)(fei)haha\2','tinafeihahafei tinafeihahatina').group()
    print(a)        #tinafeihahafei

预定义字符集（可以写在字符集[…]中）
- \d 数字:[0-9]
- \D 非数字:[^\d]
- \s 匹配任何空白字符:[<空格>\t\r\n\f\v]
- \S 非空白字符:[^\s]
- \w 匹配包括下划线在内的任何字字符:[A-Za-z0-9_]
- \W 匹配非字母字符，即匹配特殊字符
- \A 仅匹配字符串开头,同^ \Aabc
- \Z 仅匹配字符串结尾，同$
- \b 匹配\w和\W之间，即匹配单词边界匹配一个单词边界，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’。 \babc\b
  a\b!bc 空格abc空格
  a!bc
- \B [^\b]
```
    import re
    w = re.findall(r'\bzhan','zhan liang')
    print(w)      #['zhan']
    s = re.findall(r'\btina','tiana tinaaaa')
    print(s)      #['tina']
    v = re.findall(r'\btina','tian#tinaaaa')
    print(v)      #['tina']
    a = re.findall(r'\btina\b','tian#tina@aaa')
    print(a)      #['tina']
```

特殊分组用法：

(?P<name>)	分组，除了原有的编号外再指定一个额外的别名	(?Pabc){2}	abcabc
(?P=name)	引用别名为的分组匹配到字符串	(?P\d)abc(?P=id)	1abc15abc5
\<number>	引用编号为的分组匹配到字符串	(\d)abc\1	1abc15abc5

re模块中常用功能函数

compile()

编译正则表达式模式，返回一个对象的模式。（可以把那些常用的正则表达式编译成正则表达式对象，
这样可以提高一点效率。）

    regex01=re.compile(r'^李\w{1,2}$')
    # regex01=re.compile(r'李\w{1,2}')
    #如果不加上开始和结束标志，其实就是匹配部分数据，下面的字符串就会匹配'李小飞'

    str01='李小飞龙'
    res01=regex01.findall(str01)
    print(res01)

match()

决定re是否在字符串刚开始的位置匹配。//注：这个方法并不是完全匹配。

当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符’$’

    #匹配模式
    #如果单纯是测定字符串是否匹配正则表达式的规则，则不需要用到"()",如果没有匹配结果为none
    m = re.match(r'^\d{3}-\d{3,8}$', '010-12345')
    #分组 一定要用到分组符号"()"
    m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
    print(m.group(0))   #010-12345
    print(m.group(1))   #010
    print(m.group(2))   #12345
    print(m.groups())   #('010', '12345')
    #提取时间
    t = '19:05:30'
    rt = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
    print(rt.groups())

没有（）就是匹配模式，有了（）就是分组查找模式

search()

re.search(pattern, string, flags=0)

re.search函数会在字符串内查找模式匹配,只要找到第一个匹配然后返回，如果字符串没有匹配，则返回None。

print(re.search('\dcom','www.4comrunoob.5com').group())  #4com

findall()

re.findall遍历匹配，可以获取字符串中所有匹配的字符串，返回一个列表。

re.findall(pattern, string, flags=0)

    p = re.compile(r'\d+')
    print(p.findall('o1n2m3k4'))
    执行结果如下：
    ['1', '2', '3', '4']
    复制代码
    import re
    tt = "Tina is a good girl, she is cool, clever, and so on..."
    rr = re.compile(r'\w*oo\w*')
    print(rr.findall(tt))
    print(re.findall(r'(\w)*oo(\w)',tt))#()表示子表达式
    执行结果如下：
    ['good', 'cool']
    [('g', 'd'), ('c', 'l')]

简单爬虫

    regex=re.compile(r'<li>(.+?)</li>')
    str01='
            <html lang="en">
            <head>
                <meta charset="UTF-8">
                <title>Title</title>
            </head>
            <body>
                <li>001</li>
                <li>002</li>
                <li>003</li>
                <li>004</li>
            </body>
            </html>
        '

        # str01=re.sub(r"\r|\n", "",str01)
        # print(str01)
        res01=regex.findall(str01)
        print(res01)

split()

按照能够匹配的子串将string分割后返回列表。

可以使用re.split来分割字符串，如：re.split(r’\s+’, text)；将字符串按空格分割成一个单词列表。

格式：

re.split(pattern, string[, maxsplit])

maxsplit用于指定最大分割次数，不指定将全部分割。

print(re.split('\d+','one1two2three3four4five5'))
执行结果如下：
['one', 'two', 'three', 'four', 'five', '']

sub()

使用re替换string中每一个匹配的子串后返回替换后的字符串。

格式：

 re.sub(pattern, repl, string, count)

 复制代码
 import re
 text = "JGood is a handsome boy, he is cool, clever, and so on..."
 print(re.sub(r'\s+', '-', text))
 执行结果如下：
 JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on...
 其中第二个函数是替换后的字符串；本例中为'-'

 第四个参数指替换个数。默认为0，表示每个匹配项都替换。

re.sub还允许使用函数对匹配项的替换进行复杂的处理。

如：re.sub(r’\s’, lambda m: ‘[’ + m.group(0) + ‘]’, text, 0)；将字符串中的空格’ ‘替换为’[ ]’。

 import re
 text = "JGood is a handsome boy, he is cool, clever, and so on..."
 print(re.sub(r'\s+', lambda m:'['+m.group(0)+']', text,0))
 执行结果如下：
 JGood[ ]is[ ]a[ ]handsome[ ]boy,[ ]he[ ]is[ ]cool,[ ]clever,[ ]and[ ]so[ ]on...

一些注意点

re.match与re.search与re.findall的区别：

re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，
则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。
```
  a=re.search('[\d]',"abc33").group()
  print(a)
  p=re.match('[\d]',"abc33")
  print(p)
  b=re.findall('[\d]',"abc33")
  print(b)
  执行结果：
  3
  None
  ['3', '3']
```

贪婪匹配与非贪婪匹配

? ,+? ,?? ,{m,n}?
前面的,+,?等都是贪婪匹配，也就是尽可能匹配，后面加?号使其变成惰性匹配

demo1

  a = re.findall(r"a(\d+?)",'a23b')
  print(a)
  b = re.findall(r"a(\d+)",'a23b')
  print(b)
  执行结果：
  ['2']
  ['23']

  a = re.match('<(.*)>','<H1>title<H1>').group()
  print(a)
  b = re.match('<(.*?)>','<H1>title<H1>').group()
  print(b)
  执行结果：
  <H1>title<H1>
  <H1>

demo2

  a = re.findall(r"a(\d+)b",'a3333b')
  print(a)
  b = re.findall(r"a(\d+?)b",'a3333b')
  print(b)
  执行结果如下：
  ['3333']
  ['3333']
  #######################
  这里需要注意的是如果前后均有限定条件的时候，就不存在什么贪婪模式了，非匹配模式失效。

ls_ange

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
正则表达式

正则表达式https://www.cnblogs.com/tina-python/p/5508402.html简介正则表达式本身是一种小型的、高度专业化的编程语言，而在python中，通过内嵌集成re模块，可以直接调用来实现正则匹配。正则表达式模式被编译成一系列的字节码，然后由用C编写的匹配引擎执行。语法规则普通字符和11个元字符：普通字符匹配自身abcab...
复制链接

扫一扫

专栏目录