正则表达式的经验总结

最新推荐文章于 2024-11-13 17:25:30 发布

好想大吃一顿

最新推荐文章于 2024-11-13 17:25:30 发布

阅读量555

点赞数

分类专栏：正则表达式文章标签：正则表达式

本文链接：https://blog.csdn.net/qq_33067315/article/details/85245400

版权

正则表达式专栏收录该内容

1 篇文章 0 订阅

订阅专栏

通用字符(对于经常使用的基础字符进行的封装)：

1.re.search(pattern,string,flags=0) 在一个字符串中搜索能匹配正则表达式的第一个位置，返回match对象

2.re.match() 从一个字符串的开始位置起匹配正则表达式,返回match对象

3.re.findall() 搜索字符串,以列表类型返回全部能匹配的子串

4.re.split(pattern,string,maxsplit=0,flags=0) 将一个字符串按照正则表达式匹配结果进行分割，返回列表类型,返回的是未匹配的,如果能匹配的在头和尾列表还会加入空格

5.re.finditer() 搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象

6.re.sub(pattern,repl,string,count,flags) 在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串

7.re的match对象 _sre.SRE._Match

match属性

match函数:

8.re的贪婪匹配和最小匹配（那些可以无限次拓展的操作符）:

自己的一些经验还有心得

最后附上常用的正则表达式:

[1-9]\d{5} 邮政编码

[\u4e00-\u9fa5] 匹配中文字符 UTF-8

\d{3}-\d{8}|\d{4}-\d{7} 国内固定电话的号码

\w+([.+-]\w+)*@\w+([.-]\w+)*\.\w+([.-]\w+)* 匹配邮箱

ip的精准划分(要划分成四段):(([1-9]?\d |1{2}\d|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1{2}\d|2[0-4]\d|25[0-5])

目前在学爬虫，所以用正则表达式做了大量的练习，对于正则有了部分经验，拿出来分享一波

什么是正则表达式？

正则表达式说简单点就是用来匹配字符串中的内容，比如从一段前端页面的网页代码中得到img标签的图片链接，就可以用正则去匹配。

正则基础知识

1.原子

基础字符
非打印字符
通用字符
原子表

基础字符：

表达式中最基础的部分。以下为示例：匹配abc

s = 'abc'

re.search('abc',s) # 第一个参数为正则表达式，第二个为源字符串

结果为abc

非打印字符(\n \t)：

s = '\n'

re.search('\n',s)

结果为\n

通用字符(对于经常使用的基础字符进行的封装)：

\d 匹配一个数字

\D 匹配除数字以为的任意一个字符

\w 匹配一个字符、数字或者下划线

\W 匹配除字符、数字或下划线外的任意一个字符

\s 匹配一个空白字符

\S 匹配除空白字符以为的任意一个字符

原子表(定义一组地位平等的原子)：

[abc],a,b,c的地位平等，示例:[abc]python 可以匹配以下字符串 apython bpython cpython

2.元字符（正则表达式中特殊符号）

. 匹配任意单个字符

[^] 非字符集 [^abc]表示非a或b或c的单个字符

* 前一个字符0次或无限次扩展 abc* 表示ab、abcc、abccc、abcccccc .*所有字符

+ 前一个字符1次或无限次扩展 abc+表示abc、abcc、abccc、abcccccc

? 前一个字符0次或1次扩展 abc? 表示ab、abc

| 左右表达式任意一个 abc|def 表示a,b,c或d,e,f

{m} 扩展前一个字符m次 ab{2}c 表示abbc

{m,n}扩展前一个字符m至n次,含n ab{1,2}c 表示abc、abbc

^ 匹配字符串开头 ^abc 表示abc且在一个字符串的开头

$ 匹配字符串结尾$ abc$ 表示abc且在一个字符串的结尾

() 分组标记，内部只能使用|操作符 (abc)表示abc,(abc|def)表示abc、def

3.模式修正

模式修正是对正则匹配时在不修改表达式的情况下，对匹配结果的调整

I 匹配时忽略大小写

M 多行匹配

L 做本地化识别匹配

U 根据Unicode字符解析字符串

S 换行符，也进入匹配。

4.主要函数:

1.re.search(pattern,string,flags=0) 在一个字符串中搜索能匹配正则表达式的第一个位置，返回match对象

pattern:正则表达式的字符串或原生字符串表示

string:待匹配的字符串

flags:正则表达式使用时的控制标记

re.I re.IGNORECASE 忽略正则表达式的大小写，[A-Z]能够匹配小写字符

re.M re.MULTILINE 正则表达式中的^操作符能够将给定字符串的每行当做匹配开始,比如文章可以将每行的开始作为匹配开始

re.S re.DOTALL 正则表达式中的.操作符能够匹配所有字符（主要作用是匹配包括换行符）

2.re.match() 从一个字符串的开始位置起匹配正则表达式,返回match对象

3.re.findall() 搜索字符串,以列表类型返回全部能匹配的子串

4.re.split(pattern,string,maxsplit=0,flags=0) 将一个字符串按照正则表达式匹配结果进行分割，返回列表类型,返回的是未匹配的,如果能匹配的在头和尾列表还会加入空格

maxsplit 最大分割数剩余部分作为最后一个元素输出

5.re.finditer() 搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象

6.re.sub(pattern,repl,string,count,flags) 在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串

real 替换成哪个字符串

count 最大匹配次数

7.re的match对象 _sre.SRE._Match

match属性

.string 待匹配的字符串

.re 用的正则表达式

.pos 从哪里开始匹配

.endpos 从哪里结束

match函数:

group() 获得匹配后的字符串

start() 匹配字符串在原始字符串的开始位置

end() 匹配字符串在原始字符串的结束位置

span() 返回(.start(),.end())

8.re的贪婪匹配和最小匹配（那些可以无限次拓展的操作符）:

RE库默认采用贪婪匹配即匹配最长的字符串，如果需要最小匹配，则需要对以下操作符进行拓展

*? 前一个操作符0次或无限次拓展，最小匹配

+? 前一个操作符1次或无限次拓展，最小匹配

?? 前一个操作符0次或1次拓展，最小匹配

{m,n}? 前一个操作符拓展m至n次包括n次

自己的一些经验还有心得

在拿到的字符串里经常会有换行符号，如果要匹配换行符一定要加上re.S,或者将字符串中的换行符进行替换为空
正则表达式匹配获得内容的区别，主要是在有()时，

举例:

有这个两个正则表达式

        <li class="gl-item">.*?</a>       
        <li class="gl-item">(.*?)</a>
   目标字符串如下
        <li class="gl-item"><a href="#"></a></li>
   第一个正则表达式匹配的是这个
        <li class="gl-item"><a href="#"></a>
   而后者是这个<a href="#">
   原因在于括号，加上括号代表你要返回的是什么哪部分

3. 正则表达式的范围能写小点就写小点，因为我发现再用findall函数加这个(.*?jpg|.*?png)正则表达式时，它会先去尝试匹配jpg直到末尾，很有可能出bug，下面是bug举例

<.png">省略一万个字<.jpg> 它的策略是会得到这个非常大的串:<.png">省略一万个字<.jpg>,而不是<.png>,所以你获取的图片格式就有错误

最后附上常用的正则表达式:

[1-9]\d{5} 邮政编码
[\u4e00-\u9fa5] 匹配中文字符 UTF-8
\d{3}-\d{8}|\d{4}-\d{7} 国内固定电话的号码
\w+([.+-]\w+)*@\w+([.-]\w+)*\.\w+([.-]\w+)* 匹配邮箱
ip的精准划分(要划分成四段):(([1-9]?\d |1{2}\d|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1{2}\d|2[0-4]\d|25[0-5])

0-99 [1-9]?\d

100-199 1\d{2}

200-249 2[0-4]\d

250-255 25[0-5]