Python-24-正则表达式

正则表达式

一、概述

• 概念

比如说：在实际开发中，可以需要验证注册用户的名称是否满足某种（使用字母和下划线），程序员需要对每个用户输入的内容进行规则的对比；

再比如：需要爬取页面中内容，邮箱（xxx@域名）、手机号、图片的链接；

正则表达式就是满足某种规则的一段代码。英文名称：Regular Expression，简称RE

• 特点
  • 语法比较诡异，可读性很差
  • 通用性很强，绝大多数的编程语法都正则表达式。

二、re模块

# 导入re模块
import re

# 使用match函数进行匹配，match默认从开头开始匹配
r = re.match(r'测试', '测试开发57')

# 打印匹配结果
print(r.group())		# 测试

三、匹配单个字符

代码	功能
.	匹配任意一个字符，不能匹配\n
[]	匹配[]中列举的字符
\d	匹配数字，即0-9
\D	匹配非数字，即不是数字
\s	匹配空白，即\n、\t
\S	匹配非空白字符
\w	匹配非特殊字符，即a-z、A-Z、0-9、下划线、汉字
\W	匹配特殊字符，即非数字、非字母、非汉字

• \d和\D

# \d
r = re.match(r'测试开发\d', '测试开发57')
print(r.group())

r = re.match(r'测试开发\d', '测试开发A')
print(r.group())            # 匹配失败


# \D
r = re.match(r'测试开发\D', '测试开发A')
print(r.group())                    # 匹配成功

r = re.match(r'测试开发\D', '测试开发!')
print(r.group())                    # 匹配成功

• \w和\W

# \w
r = re.match(r'测试开发\w', '测试开发A')
print(r.group())					# 匹配成功

r = re.match(r'测试开发\w', '测试开发班')
print(r.group())					# 匹配成功

# \W
r = re.match(r'测试开发\W', '测试开发A')
print(r.group())					# 匹配失败

r = re.match(r'测试开发\W', '测试开发\n')
print(r.group())					# 匹配成功

r = re.match(r'测试\W开发', '测试 开发')
print(r.group())					# 匹配成功

• \s和\S

# \s
r = re.match(r'测试开发\s', '测试开发\n')
print(r.group())					# 匹配成功

r = re.match(r'测试\s开发', '测试\t开发')
print(r.group())					# 匹配成功

# \S
r = re.match(r'测试\S开发', '测试#开发')
print(r.group())					# 匹配成功

• []

lst = ['测试开发a', '测试开发e', '测试开发A', '测试开发R', '测试开发5', '测试开发_']
for i in lst:
    r = re.match(r'测试开发[0-9A-Za-z_]', i)		# 匹配所有的字母和数字
    if r:
        print(r.group())
    else:
        print(f'{i}----匹配失败')

扩展：[^]：表示对[]中的内容取反。

# lst = ['测试开发a', '测试开发e', '测试开发A', '测试开发R', '测试开发5', '测试开发^']
for i in lst:
 r = re.match(r'测试开发[^0-9^a-z]', i)
 if r:
     print(r.group())
 else:
     print(f'{i}----匹配失败')


""" 结果：
测试开发a----匹配失败
测试开发e----匹配失败
测试开发A
测试开发R
测试开发5----匹配失败
测试开发^----匹配失败
"""

• .

import re

rst = re.match(r'测试开发.', '测试开发3')
print(rst.group())			# 测试开发3


# 使用 .* 匹配多行文本
str1 = """asdf
aaaaaaaaasdfasdf
asdfa
adfadsfsa
asdfasdf
asdfasdf"""

rst = re.match(r'.*', str1)     # * 是匹配前一个字符出0次或无数次
print(rst.group())

''' 结果：. 不能匹配 \n
asdf
'''


# 如何使用 . 匹配\n，那么在match等方法中加入一个参数 re.S
rst = re.match(r'.*', str1, re.S)     # * 是匹配前一个字符出0次或无数次
print(rst.group())

''' 结果
asdfaaaaaaaaasdfasdf
asdfa
adfadsfsa
asdfasdf
asdfasdf
'''

四、匹配多个字符

代码	功能
*	匹配前一个字符出现0次或者无数次，即可有可无
+	匹配前一个字符出现1次或者无数次，即至少一次
?	匹配前一个字符出现0次或者1次
{m}	匹配前一个字符出现m次
{m,n}	匹配前一个字符出现m到n次

• *

r = re.match(r'\d*', '0123A456789')
print(r.group())

r = re.match(r'测试.*', '测试开发57')
print(repr(r.group()))            # '测试开发57'

• +

r = re.match(r'\d+', '0123456789')
print(r.group())

r = re.match(r'\w+', '中国')
print(r.group())

r = re.match(r'\w+', '')
print(r.group())            # 报错。匹配失败

• ?

r = re.match(r'\d?', 'A567')
print(r.group())            # 匹配成功

r = re.match(r'\d?', '')
print(r.group())            # 匹配成功

• {n}

r = re.match(r'\d{6}', '123456789')
print(r.group())                # 123456


r = re.match(r'\d{6}', '123')
print(r.group())                # 匹配失败

• {m,n}

r = re.match(r'\d{2,5}', '123456789')
print(r.group())                # 12345

r = re.match(r'\d{2,5}', '1')
print(r.group())

• 练习：匹配座机号码

number_list = ['023-68237890', '010-68923098', '0913-68681987', '02389891235', '091398783620']

for i in number_list:
    r = re.match(r'0\d{2,3}-?\d{8}', i)
    if r:
        print(r.group())
    else:
        print(f'{i}---匹配失败！')

五、匹配开头和结尾

代码	功能
^	匹配字符串开头
$	匹配字符串结尾

• ^

"""
需求：匹配以一个数字开头，数字之后跟上python的字符
search()：表示任意位置进行匹配
"""

lst1 = ['3python', '8ipython', 'python9', '_python', 'A6python','9python123']

for i in lst1:
    r = re.search(r'^\dpython', i)
    if r:
        print(r.group())
    else:
        print(f'{i}---匹配失败..')

• $

# 匹配以数字开头，并且以数字结尾，中间字符任意

lst1 = ['3python', '8ipython', 'python9', '_python2', 'A6python6','9python123', '3', '12']

for i in lst1:
    r = re.search(r'^\d.*\d$', i)
    if r:
        print(r.group())
    else:
        print(f'{i}---匹配失败..')

• ^$：匹配空串

r = re.search(r'^$', '')
print(repr(r.group()))

六、匹配分组

代码	功能
|	匹配左右任意一个表达式
()	将括号中字符作为一个分组
\number	引用分组number匹配
(?P<name>)	分组起别名
(?P=name)	引用别名为name分组匹配到的字符串

• |和()

''' 需求
匹配163、qq、gmail邮箱地址，邮箱用户名为6-10位
正则表达式为：[A-Za-z0-9_]{6,10}@(163|qq|gmail)\.com$
'''

import re

lst = ['liupan@163.com', 'liupan@qq.com', 'liupan@gmail']

for i in lst:
	rst1 = re.match(r'[A-Za-z0-9_]{6,10}@(163|qq|gmail)\.com$', 'liupan@163.com')
	if rst1:
	    print(rst1.group())
    else:
        print(f'{i}---匹配失败')

注意：邮箱中的.需要进行转义处理，不然在正则表达式中会当做元字符.匹配任意单个字符！

• \number：后项引用前项

import re

str1 = '<body><h1>我是一级标题</h1></body>'

rst1 = re.match(r'<(\w+)><(\w+)>.*</(\1)></(\2)>', str1)
print(rst1.group())

• (?P<name>)和(?P=name)

import re

str1 = '<body><h1>我是一级标题</h1></body>'

rst1 = re.match(r'<(?P<p1>\w+)><(?P<p2>\w+)>.*</(?P=p2)></(?P=p1)>', str1)
print(rst1.group())

七、贪婪匹配

贪婪和非贪婪：*、+、{} 后面加上?就是非贪婪。

贪婪匹配：尽可能多地匹配

非贪婪相反，表示尽可能少地匹配

import re

str3 = "woniuxywoniuxywoniuxy"
res1 = re.match("w.*y", str3)       # 贪婪匹配
print(res1.group())			# woniuxywoniuxywoniuxy

res2 = re.match("w.*?y", str3)      # 非贪婪匹配
print(res2.group())			# woniuxy

八、其它使用方法

• search：从字符串内开始匹配

'''
匹配出Python = 996里的数字
'''

import re

rst = re.search(r'\d+', 'Python = 996')
print(rst.group())

''' 结果
996
'''

• findall：匹配字符串中的所有满足规则的字符串，并将匹配结果以列表形式返回

import re

rst = re.findall(r'\d+', 'Python=996,java=007,C++=955')
print(rst)

''' 结果
['996', '007', '955']
'''

• sub：替换

1. 使用字符串进行替换

import re

rst = re.sub(r'\d+', '123', 'Python=996,java=107,C++=955')
print(rst)

''' 结果
Python=123,java=123,C++=123
'''

2. 使用函数进行替换

import re

def add_sub(tmp):
    n = int(tmp.group())
    n += 1
    return str(n)

rst = re.sub(r'\d+', add_sub, 'Python=996,java=107,C++=955')
print(rst)

''' 结果
Python=997,java=108,C++=956
'''

• split：切割

str1 = 'info:python 996 java 007'

rst = re.split(r':| ', str1)		# 不要使用()分组
print(rst)

''' 结果
['info', 'python', '996', 'java', '007']
'''

通过正则表达式进行切割，使用分组时注意，分组也会作为切割后的列表元素。