正则表达式
- 内容
组的概念
贪婪与非贪婪
- 组
连续的满足某个条件的字符串,()内的内容构成一个组。
# 提取文章发布日期
import re
content = '发布于2020/1/9'
result = re.findall('.*?(\d.*\d)', content)
# .*表示匹配除换行符外的任意字符,?表示非贪婪匹配
# (\d.*\d)表示一个组,以数字开头,以数字结尾
print(result)
# 返回的结果就是括号内匹配到的结果
# 输出结果:['2020/1/9']
没有括号
import re
content = '发布于2020/1/9'
result = re.findall('.*?\d.*\d', content)
print(result)
# ['发布于2020/1/9']
# 因为Python默认会再正则表达式首尾各添加一个括号
# 等价于result = re.findlaa(('.*?\d.&\d'), content)
多个组
# 实现功能:提取发布时间和发布人
import re
content = '发布于2020/1/9,发布人:派森.'
result = re.findall('.*?(\d.*\d).*:(.*)', content)
# 两个括号之间的.*:表示中间是除换行符以外的任意字符,直到遇见:才终止,进入第二个组
print(result)
# 输出结果:[('2020/1/9', '派森.')]
- match方法
语法:
re.match(pattern, string, flags=0)
参数:
pattern:匹配的正则表达式
string:要匹配的字符串
flags:标志位,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
例
# 实现功能:提取发布时间和发布人
import re
content = '发布于2020/1/9,发布人:派森.'
result = re.match('.*?(\d.*\d).*:(.*)', content)
# match方法的参数和findall是一样的,返回的结果是ERE_Match对象
print(result.group()) # 该方法默认是result.group(0)
# 输出结果:发布于2020/1/9,发布人:派森.
# result.group(0)获取的内容就是最外层的括号匹配的内容
# 相当于('(.*?\d.*\d).*:(.*))')
print(result.group(1))
# 输出结果:2020/1/9
# 获取的内容是(\d.*\d)匹配到的内容
print(result.group(2))
# 输出结果:派森.
# 获取的内容是(.*)匹配到的内容
print(result.groups())
# 输出结果:('2020/1/9', '派森.')
使用match注意事项
import re
content = '评论数:12'
result = re.match('\d', content)
print(result)
# 输出结果:None
# 如果print(result.group())会报错
# 原因match方法是从content第一个字符开始匹配\d,如果未匹配到,直接就返回None,这里因为content第一个字符不是数字,所以直接返回None
- 非贪婪模式
# 实现功能:提取发布时间,比较贪婪与非贪婪
import re
content = '发布于2020/01/09'
result = re.findall('.*?(\d.*\d)', content)
# 这里的?表示的就是非贪婪模式,第一个.*会尽可能少地取匹配内容,因为后面跟的是\d,所以碰见第一个数字就终止了
print(result)
# 输出结果:['2020/01/09']
- 贪婪模式
import re
content = '发布于2020/01/09'
result = re.findall('.*(\d.*\d)', content)
print(result)
# 输出结果:['09']
第一个.*
后面添加问好,表示的就是贪婪模式,第一个.*
会尽可能多地去匹配内容,后面跟的是\d
,碰见第一个数字并不一定会终止,当它匹配到2020的2的时候,发现剩下的内容依然满足(\d.*\d)
,所以会一致匹配下去,直到匹配到01后面的/的时候,发现剩下的09依然满足(\d.*\d)
,但是如果再匹配下去,匹配到09的0的话,剩下的9就不满足(\d.*\d)
了,所以第一个.*
就会停止匹配,(\d.*\d)
最终匹配到的结果就只剩下09了
非贪婪与贪婪模式案例
例1
import re
content = '发布于2020/01/09'
result = re.findall('.*(\d.*?\d)', content)
print(result)
# 输出结果:['09']
第一个.*
是贪婪模式,会一直匹配到12后面的/,这样结果就是[‘09’]
例2
import re
content = '发布于2020/01/09'
result = re.findall('.*?(\d.*?\d)', content)
print(result)
# 输出结果:['20', '20', '01', '09']
第一个.*?
表示非贪婪模式,匹配到2020前面的’于’之后就停止了
括号里的.*?
也是表示非贪婪模式,括号里的内容从2020的2开始匹配,因为后面一个数字是0,那么也就满足了(\d.*?\d)
,所以就直接返回结果了,同样的,接下来的20也是这样,一直匹配到09才结束。