进阶部分在这里：正则表达式（二）——进阶之匹配分组
4. search用法
上面我们学习了re模块的match用法，下面我们来学习下re模块中search用法！（其实也算不上高级用法啦）
match和search对比：
match的一个特点就是从左向右完整的去匹配，多出来的不管，少了就不行；
search是在给定字符串当中去搜索的符合正则表达式的内容。
match和search的语法都一样，都为re.xxxx(正则表达式，字符串)
需求：在一段文字中,比如 "'文章篇幅为1314521个字" ，我们如何查找得到数字digit部分？
分析：关于数字的描述可以表达为 r'\d+'。
>>> result = re.search(r'\d+','文章篇幅为1314521个字') >>> result.group() '1314521'这样不就把数字部分提取出来了么。你可以定义自己的正则表达式，提取想要的内容。
======================================================================================
前面在正则表达式（一）——基础之匹配字符，数量，边界中的《边界》部分，我说过一句话：^（匹配字符串开头）这个效果在match中不是很明显，原因match就是从左到右开始匹配的，它做的是匹配工作。
但是在search里，^ 效果却是十分明显的，比如当我们想要匹配以数字开头的，正则表达式为：
r'^\d+'>>> result = re.search(r'^\d+','文章篇幅为1314521个字') None这样的结果是None，未能匹配。
- Question one？
search和match都是一次性匹配，即只要匹配到内容就立马结束，看如下代码：
>>> result = re.search(r'\d+','文章篇幅为1314521个字,共234页') >>> result.group() '1314521'按正常理来说，应该返回给我'1314521'和'234'啊，这就是search的一次性匹配。那有没有全部匹配的用法呢？答案：of course。就是下面的findall用法
5. findall用法
需求：在一段文字中,比如 "'文章篇幅为1314521个字，共234页，有1000张图" ，找到所有数字digit部分
分析：查找数字的正则表达式为r'\d+'
>>> result = re.findall(r'\d+','文章篇幅为1314521个字,共234页,有1000张图') >>> result ['1314521', '234', '1000']注意：findall返回的对象就是list类型的，支持list的所有操作
6. sub 将匹配到的数据进行替换（substitute不是sub减）
先看看sub函数：re.sub(pattern, repl, string, count=0, flags=0)
其中三个必选参数：pattern, repl, string
两个可选参数：count, flags
- pattern，表示正则中的模式字符串
- repl，就是replacement，被替换，的字符串的意思。repl可以是字符串，也可以是函数
- string，即表示要被处理，要被替换的那个string字符串。
需求1：在班级模拟考试分数表上，需要对某个同学的数学成绩加20分，英语成绩加20分，比如该同学分数表内容为：”math=60，English=50"
分析：我们首先需要匹配到数字部分。再拿到数字的当前数值，在这基础上加上对应的值。先匹配再替换，sub函数可以同时完成这两件事。
======================================================================================
我们，先来简化下需求，展示repl是字符串的情况。直接把math=60，English=50的数值部分直接替换为80分：
>>> ret = re.sub(r'\d+','80','math=60,English=50') >>> ret #返回的是str类型 'math=80,English=80'这样太弱智了，而且把English的数值也变成了80
======================================================================================
因此，我们需要定义函数来处理这个逻辑，展示repl是函数的情况：
定义函数用交互环境不方便，我用IDE吧！
import re '''result是先作查找操作，结束后得到的结果，与match或者search得到的result无异，实质上sub方法实现包括了search方法''' def replace(result): #定义替换函数，返回处理后的str print('the digit value is:',result.group()) r = int(result.group()) + 20 return str(r) #转成str类型 r = re.sub(r'\d+',replace,'math=60,English=50') print(r) ''' output: the digit value is: 60 the digit value is: 50 math=80,English=70 '''======================================================================================
我们再来看个sub的实际需求应用：
需求2：在下面的python工程师招聘要求网页源码文本中，我们需要把标签都过滤掉，只留下文本。即去掉，<html>，</html>，<p>，</p>，<br/>，<span>，</span>等标签。
<html> <p>##python开发工程师</p> <p><span>+ python爬虫工程师</span></p> <p>负责大规模文本、图像等数据的抓取、结构化信息的提取、质量识别等工作。</p> <p>1. 开发分布式网络爬虫</p> <p>2. 提取结构化信息</p> <p>3. 识别结构化信息的质量</p> <p>岗位要求：</p> <p>1. 熟悉 Linux 开发环境，熟练使用 Shell</p> <p>2. 熟悉 高并发、高性能分布式系统</p> <p>3. 熟悉 HTTP协议，熟悉 HTML，JavaScript，XPath</p> <p>4. 熟悉 网络协议</p> <p>5. 从事 Python 开发 1年及以上</p> <p>6. 熟练使用 Python 进行抓取及格式化信息提取</p> <p>岗位职责：</p> <p>1、根据实际任务，进行高校大数据业务开发，满足市场需求；</p> <p>2、能独立完成项目开发文档的撰写工作；</p> <p>3、能够与开发团队中其它成员有效沟通，包括其它工程师、项目经理、产品以及测试，设计出高性能、可扩展而且符合用户需求的方案；</p> <p>4、对新技术具有较强的研究和解决问题的能力，并能够共享其成果在小组/部门内推广；</p> <p>5、能够和小组中帮助其它工程师讨论并解决疑难问题；</p> <p>6、按时保质保量完成产品开发任务；</p> <p>7、热衷研究新兴技术，对产品进行持续优化。</p> <p><br/></p> <p>任职资格：</p> <p>1、两年以上稳定开发经验，熟悉python语言</p> <p>2、熟悉Linux操作，使用git进行版本控制管理，有nginx配置部署经验；</p> <p>3、熟悉django tornado flask 任一python开发框架，懂代码调试并能持续优化；</p> <p>4、熟悉HTTP协议，能开发符合RESTful设计思想的接口；</p> <p>5、有mysql.mongodb.redis等常用数据库的使用经验；</p> <p>6、优良的代码注释习惯，并能编写有条理的开发文档。</p> <p>7、使用过运维工具，能自行编写简单的SHELL脚本</p> <p>8、对技术精进有要求，愿意学习大数据相关知识，并付诸实践。</p> <p><br/></p><p><br/></p><p><br/></p> <p>+ Python研发工程师</p><p>要求：</p> <p>1. 全职类工作2-4（包含）年开发经验</p> <p>2. Python基础扎实，熟悉常用的类库</p> <p>3. 掌握Tornado、Django、Flask其中任一web框架，至少两年左右的web开发经验</p> <p>4. 熟悉常用的工具如Redis，Memcached，Mongodb，Mysql，Nginx等的基本原理和使用</p><p>5. 掌握linux环境下的开发和部署，掌握gitlab的使用</p> <p>6. 熟悉常用的数据结构、算法和设计模式等</p> </html>分析：首先应该分析出标签的特征，写出正则表达式。把标签内容替换为空字符串“”就可以啦。乍一看，标签是<>包括的，于是得出正则表达式：
r'<.+>'>>> s = '''把上面内容copy下来，太多啦，占屏幕''' >>> re.sub(r'<.+>','',s) #结果是一堆'\n'，哈哈（贪婪模式） '\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n' '''再看看下面的运行结果，就多了个?（非贪婪模式）''' >>> re.sub(r'<.+?>','',s) #就能得到正确结果 '\n##python开发工程师\n+ python爬虫工程师\n负责大规模文本、图像等数据的抓取、结构化信息的提取、质量识别等工作。\n1. 开发分布式网络爬虫\n2. 提取结构化信息\n3. 识别结构化信息的质量\n岗位要求：\n1. 熟悉 Linux 开发环境，熟练使用 Shell\n2. 熟悉 高并发、高性能分布式系统\n3. 熟悉 HTTP协议，熟悉 HTML，JavaScript，XPath\n4. 熟悉 网络协议\n5. 从事 Python 开发 1年及以上\n6. 熟练使用 Python 进行抓取及格式化信息提取\n岗位职责：\n1、根据实际任务，进行高校大数据业务开发，满足市场需求；\n2、能独立完成项目开发文档的撰写工作；\n3、能够与开发团队中其它成员有效沟通，包括其它工程师、项目经理、产品以及测试，设计出高性能、可扩展而且符合用户需求的方案；\n4、对新技术具有较强的研究和解决问题的能力，并能够共享其成果在小组/部门内推广；\n5、能够和小组中帮助其它工程师讨论并解决疑难问题；其实这里的原因就是，正则表达式默认是贪婪模式（这个我们将在下一节讲解），在量词后面直接加上一个问号？就是非贪婪模式。
======================================================================================
除了这种非贪婪模式，还有其他方法么？
分析：那么我们换个角度去思考，标签都是字母，这不可否认吧，我们可以从这里出发。那么我们可以用正则r'<\w'>表示，但是像标签</html>，</p>是无法匹配的，那么对于标签<html>，/ 是可有可无的，用？表示，因此正则 r'/?\w' 表示，但是对于<br/>又是不匹配的，在字母后面的 / 也是可有可无的，因此，正则表达式为：
r'</?\w/?>'>>> re.sub(r'</?\w/?>','',s) '\n##python开发工程师\n+ python爬虫工程师\n负责大规模文本、图像等数据的抓取、结构化信息的提取、质量识别等工作。\n1. 开发分布式网络爬虫\n2. 提取结构化信息\n3. 识别结构化信息的质量\n岗位要求：\n1. 熟悉 Linux 开发环境，熟练使用 Shell\n2. 熟悉 高并发、高性能分布式系统\n3. 熟悉 HTTP协议，熟悉 HTML，JavaScript，XPath\n4. 熟悉 网络协议\n5. 从事 Python 开发 1年及以上\n6. 熟练使用 Python 进行抓取及格式化信息提取\n岗位职责：\n1、根据实际任务，进行高校大数据业务开发，满足市场需求；\n2、能独立完成项目开发文档的撰写工作；\n3、能够与开发团队中其它成员有效沟通，包括其它工程师、项目经理、产品以及测试，设计出高性能、可扩展而且符合用户需求的方案；\n4、对新技术具有较强的研究和解决问题的能力，并能够共享其成果在小组/部门内推广；\n5、能够和小组中帮助其它工程师讨论并解决疑难问题；同样达到了效果......
7. split 根据匹配进行切割字符串，并返回列表
需求：以(:,逗号,-）来切割字符串："language:python,php,c,cpp-java"
>>> s = "language:python,php,c,cpp-java" >>> re.split(r':|,|-',s) ['language', 'python', 'php', 'c', 'cpp', 'java']
讲完了正则表达式的高级用法，上面讲sub函数时，提到了正则表达式的贪婪模式与非贪婪模式。我们接下来深入理解正则表达式的贪婪模式与非贪婪模式吧。见正则表达式（四）——贪婪与非贪婪模式
1703
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
