正则表达式的相关用法

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表通常被用来检索、替换那些符合某个模式(规则)的文本。
大家在写正则表达式的过程中，可利用开源中国的正则表达式测试工具，对其进行检测，链接为：http://tool.oschina.net/regex/
常见的正则表达式匹配模式如下所示：

re.match

re.match尝试从字符串的起始位置匹配的一个模式，如果不是起始位置匹配的话，match()就返回none
基本的语法结构：re.match(pattern,string,flags=0)
最常规的匹配

#_*_coding: utf-8_*_
import re
content="Hello 123 456 word_This is a Regex Demo"
result=re.match("^Hello\s\d+\s\d+\s\w+.*Demo$",content)
print(result)
print(result.group())
print(result.span())

泛匹配

import re
content="hello 123 4567 world_this is a Regex Demo"
result=re.match("^hello.*Demo$",content)
print(result)
print(result.group())
print(result.span())

匹配目标

import re
content="hello 123 4567 world_this is a Regex Demo"
result=re.match("^hello\s(\d+).*Demo$",content)
print(result)
print(result.group())
print(result.group(1))
print(result.span())

贪婪匹配

import re
content="hello 123 4567 world_this is a Regex Demo"
result=re.match("^h.*(\d+).*Demo$",content)
print(result)
print(result.group(1))

非贪婪匹配

import re
content="hello 123 4567 world_this is a Regex Demo"
result=re.match("^h.*?(\d+).*?Demo$",content)
print(result)
print(result.group(1))

指定匹配模式，.*可匹配换行符

import re
content='''hello 123 4567 world_this
is a Regex Demo'''
result=re.match("^h.*?(\d+).*?Demo$",content,re.S)
print(result)
print(result.group(1))

转义字符

import re
content="the price is $5.00"
result=re.match("the price is \$5\.00",content)
print(result)

总结：尽量使用泛匹配，使用括号获取到匹配目标，尽量使用非贪婪模式，有换行符就用re.S

re.search

re.search,扫描整个字符串，并返回第一个成功的匹配
总结：为匹配方便，能用search，就不用match

import re
content='''Extra string hello 123 4567 world_this
is a Regex Demo Extra string'''
result=re.search("h.*?(\d+).*?Demo",content,re.S)
print(result)
print(result.group(1))

匹配实例：

#_*_coding: utf-8_*_
import re
html='''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
    <li data-view="2">一路上有你</li>
    <li data-view="7">
    <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
    </li>
    <li data-view="4" class="active">
    <a href="/3.mp3" singer="齐秦">往事随风</a>
    </li>
    <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
    <li data-view="5"><a href="/5.mp3" singer="陈慧林">记事本</a></li>
    <li data-view="5">
    <a href="/3.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
    </li>
    </ul>
<div>'''
result=re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>',html,re.S)
if result:
    print(result.group(1),result.group(2))

re.findall

搜索字符串，以列表形式返回所有匹配结果

#_*_coding: utf-8_*_
import re
html='''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
    <li data-view="2">一路上有你</li>
    <li data-view="7">
    <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
    </li>
    <li data-view="4" class="active">
    <a href="/3.mp3" singer="齐秦">往事随风</a>
    </li>
    <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
    <li data-view="5"><a href="/5.mp3" singer="陈慧林">记事本</a></li>
    <li data-view="5">
    <a href="/3.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
    </li>
    </ul>
<div>'''
results=re.findall('<li.*?singer="(.*?)">(.*?)</a>',html,re.S)
if results:
    for result in results:
        print(result)

re.sub

替换字符串中每一个匹配的子串返回替换后的字符

#_*_coding: utf-8_*_
import re
content="Extra strings Hello 1234567 World_This is a Regex Demo Extra strings"
content=re.sub('\d+','',content)
print(content)

如果替换的字符串包含元字符串本身，可采用下面的方法：

#_*_coding: utf-8_*_
import re
content="Extra strings Hello 1234567 World_This is a Regex Demo Extra strings"
content=re.sub('(\d+)',r'\1 8910',content)
print(content)

实例：去除HTML代码中的a标签，并获取歌名

#_*_coding: utf-8_*_
import re
html='''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
    <li data-view="2">一路上有你</li>
    <li data-view="7">
    <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
    </li>
    <li data-view="4" class="active">
    <a href="/3.mp3" singer="齐秦">往事随风</a>
    </li>
    <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
    <li data-view="5"><a href="/5.mp3" singer="陈慧林">记事本</a></li>
    <li data-view="5">
    <a href="/3.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
    </li>
    </ul>
<div>'''
html=re.sub('<a.*?>|</a>','',html)
html=re.sub('<i.*?></i>','',html)
print(html)
results=re.findall('<li.*?>(.*?)</li>',html,re.S)
print("------------------------------------")
for result in results:
    print(result.strip())

re.compile

将正则表达式字符串编译成正则表达式对象

#_*_coding: utf-8_*_
import re
content='''Hello 1234567 World_This
is a Regex Demo
'''
pattern=re.compile('Hello.*?Demo',re.S)
result=re.match(pattern,content)
print(result)

实战，爬取豆瓣的信息

#_*_coding: utf-8_*_
import re
import requests
content=requests.get("https://book.douban.com").text
pattern=re.compile('<li.*?cover.*?href="(.*?)".*?title="(.*?)".*?author.*?>(.*?)</div>.*?</li>',re.S)
content=re.sub('&nbsp;','',content)
results=re.findall(pattern,content)
for result in results:
    print("url=",result[0].strip())
    print("作者是", result[2].strip())
    print("书名是", result[1].strip())

运行结果如下：