8.1正则表达式概述
用处总结:
1.判断用户的数据是否符合需求。
2.对download下载的数据进行清洗。
思考
场景1:在一个文件中,查找出itcast开头的语句
测试文件
itcast hello python
itcast c++
itheima ios
itheima php
场景:在一个文件中,找到含有itcast的语句
测试文件
hello itcast python
www.itcast.cn c++
itheima ios
itheima php
场景:在一个文件中,找到邮箱为163或者126的所有邮件地址
8.2.re模块操作
在Python中需要通过正则表达式对字符串进行匹配的时候,可以使用一个模块,名字为re。
1.re模块的使用过程
#coding=utf-8
# 导入re模块
import re
# 使用match方法进行匹配操作
result = re.match(正则表达式,要匹配的字符串)
# 如果上一步匹配到数据的话,可以使用group方法来提取数据
result.group()
2.re模块实例(匹配以itcast开头的语句)
#coding=utf-8
import re
result = re.match(“itcast”,“itcast.cn”)
result.group()
运行结果为:
itcast
3.说明
re.match()能够匹配出以xxx开头的字符串
8.3匹配单个字符
在上一小节中,了解到通过re模块能够完成使用正则表达式来匹配字符串
本小节,将要讲解正则表达式的单字符匹配
示例1:.
#coding=utf-8
import re
ret = re.match(".",“M”)
print(ret.group())
ret = re.match(“t.o”,“too”)
print(ret.group())
ret = re.match(“t.o”,“two”)
print(ret.group())
运行结果:
M
too
two
示例2:[]
#coding=utf-8
import re
#如果hello的首字符小写,那么正则表达式需要小写的h
ret = re.match(“h”,“hello Python”)
print(ret.group())
#如果hello的首字符大写,那么正则表达式需要大写的H
ret = re.match(“H”,“Hello Python”)
print(ret.group())
#大小写h都可以的情况
ret = re.match("[hH]",“hello Python”)
print(ret.group())
ret = re.match("[hH]",“Hello Python”)
print(ret.group())
ret = re.match("[hH]ello Python",“Hello Python”)
print(ret.group())
#匹配0到9第一种写法
ret = re.match("[0123456789]Hello Python",“7Hello Python”)
print(ret.group())
#匹配0到9第二种写法
ret = re.match("[0-9]Hello Python",“7Hello Python”)
print(ret.group())
ret = re.match("[0-35-9]Hello Python",“7Hello Python”)
print(ret.group())
#下面这个正则不能够匹配到数字4,因此ret为None
ret = re.match("[0-35-9]Hello Python",“4Hello Python”)
#print(ret.group())
运行结果:
h
H
h
H
Hello Python
7Hello Python
7Hello Python
7Hello Python
示例3:\d
#coding=utf-8
import re
#普通的匹配方式
ret = re.match(“嫦娥1号”,“嫦娥1号发射成功”)
print(ret.group())
ret = re.match(“嫦娥2号”,“嫦娥2号发射成功”)
print(ret.group())
ret = re.match(“嫦娥3号”,“嫦娥3号发射成功”)
print(ret.group())
#使用\d进行匹配
ret = re.match(“嫦娥\d号”,“嫦娥1号发射成功”)
print(ret.group())
ret = re.match(“嫦娥\d号”,“嫦娥2号发射成功”)
print(ret.group())
ret = re.match(“嫦娥\d号”,“嫦娥3号发射成功”)
print(ret.group())
运行结果:
嫦娥1号
嫦娥2号
嫦娥3号
嫦娥1号
嫦娥2号
嫦娥3号
说明
其他的匹配符参见后面章节的讲解
8.4匹配多个字符
匹配多个字符的相关格式
示例1: *
需求:匹配出,一个字符串第一个字母为大写字符,后面都是小写字母并且这些小写字母可有可无
#coding=utf-8
import re
ret = re.match("[A-Z][a-z]*",“M”)
print(ret.group())
ret = re.match("[A-Z][a-z]*",“MnnM”)
print(ret.group())
ret = re.match("[A-Z][a-z]*",“Aabcdef”)
print(ret.group())
运行结果:
M
Mnn
Aabcdef
示例2: +
需求:匹配出,变量名是否有效
#coding=utf-8
import re
names = [“name1”, “_name”, “2_name”, “name”]
for name in names:
ret = re.match("[a-zA-Z_]+[\w]*",name)
if ret:
print(“变量名 %s 符合要求” % ret.group())
else:
print(“变量名 %s 非法” % name)
运行结果:
变量名 name1 符合要求
变量名 _name 符合要求
变量名 2_name 非法
变量名 name 符合要求
示例3:?
需求:匹配出,0到99之间的数字
#coding=utf-8
import re
ret = re.match("[1-9]?[0-9]",“7”)
print(ret.group())
ret = re.match("[1-9]?\d",“33”)
print(ret.group())
ret = re.match("[1-9]?\d",“09”)
print(ret.group())
运行结果:
7
33
0 # 这个结果并不是想要的,利用$才能解决
示例4:{m}
需求:匹配出,8到20位的密码,可以是大小写英文字母
#coding=utf-8
import re
ret = re.match("[a-zA-Z0-9_]{6}",“12a3g45678”)
print(ret.group())
ret = re.match("[a-zA-Z0-9_]{8,20}",“1ad12f23s34455ff66”)
print(ret.group())
运行结果:
12a3g4
1ad12f23s34455ff66
练一练
题目1:匹配出163的邮箱地址,且@符号之前有4到20位,例如hello@163.com
8.5匹配开头结尾
示例1:$
需求:匹配163.com的邮箱地址
#coding=utf-8
import re
email_list = [“xiaoWang@163.com”, “xiaoWang@163.comheihei”, ".com.xiaowang@qq.com"]
for email in email_list:
ret = re.match("[\w]{4,20}@163.com", email)
if ret:
print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
else:
print("%s 不符合要求" % email)
运行结果:
xiaoWang@163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com
xiaoWang@163.comheihei 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com
.com.xiaowang@qq.com 不符合要求
完善后
email_list = [“xiaoWang@163.com”, “xiaoWang@163.comheihei”, ".com.xiaowang@qq.com"]
for email in email_list:
ret = re.match("[\w]{4,20}@163.com$", email)
if ret:
print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
else:
print("%s 不符合要求" % email)
运行结果:
xiaoWang@163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com
xiaoWang@163.comheihei 不符合要求
.com.xiaowang@qq.com 不符合要求
8.6匹配分组
示例1:
需求:匹配出0-100之间的数字
#coding=utf-8
import re
ret = re.match("[1-9]?\d",“8”)
print(ret.group()) # 8
ret = re.match("[1-9]?\d",“78”)
print(ret.group()) # 78
#不正确的情况
ret = re.match("[1-9]?\d",“08”)
print(ret.group()) # 0
#修正之后的
ret = re.match("[1-9]?\d$",“08”)
if ret:
print(ret.group())
else:
print(“不在0-100之间”)
#添加|
ret = re.match("[1-9]?\d$|100",“8”)
print(ret.group()) # 8
ret = re.match("[1-9]?\d$|100",“78”)
print(ret.group()) # 78
ret = re.match("[1-9]?\d$|100",“08”)
#print(ret.group()) # 不是0-100之间
ret = re.match("[1-9]?\d$|100",“100”)
print(ret.group()) # 100
示例2:()
需求:匹配出163、126、qq邮箱
#coding=utf-8
import re
ret = re.match("\w{4,20}@163.com", "test@163.com")
print(ret.group()) # test@163.com
ret = re.match("\w{4,20}@(163|126|qq).com", "test@126.com")
print(ret.group()) # test@126.com
ret = re.match("\w{4,20}@(163|126|qq).com", "test@qq.com")
print(ret.group()) # test@qq.com
ret = re.match("\w{4,20}@(163|126|qq).com", "test@gmail.com")
if ret:
print(ret.group())
else:
print(“不是163、126、qq邮箱”) # 不是163、126、qq邮箱
不是以4、7结尾的手机号码(11位)
import re
tels = [“13100001234”, “18912344321”, “10086”, “18800007777”]
for tel in tels:
ret = re.match(“1\d{9}[0-35-68-9]”, tel)
if ret:
print(ret.group())
else:
print("%s 不是想要的手机号" % tel)
提取区号和电话号码
ret = re.match("([^-]*)-(\d+)",“010-12345678”)
ret.group()
‘010-12345678’
ret.group(1)
‘010’
ret.group(2)
‘12345678’
示例3:
需求:匹配出hh
#coding=utf-8
import re
#能够完成对正确的字符串的匹配
ret = re.match("<[a-zA-Z]>\w</[a-zA-Z]*>", “hh”)
print(ret.group())
#如果遇到非正常的html格式字符串,匹配出错
ret = re.match("<[a-zA-Z]>\w</[a-zA-Z]*>", “hh”)
print(ret.group())
#正确的理解思路:如果在第一对<>中是什么,按理说在后面的那对<>中就应该是什么
#通过引用分组中匹配到的数据即可,但是要注意是元字符串,即类似 r"“这种格式
ret = re.match(r”<([a-zA-Z])>\w</\1>", “hh”)
print(ret.group())
#因为2对<>中的数据不一致,所以没有匹配出来
test_label = “hh”
ret = re.match(r"<([a-zA-Z])>\w</\1>", test_label)
if ret:
print(ret.group())
else:
print("%s 这是一对不正确的标签" % test_label)
运行结果:
hh hh hh hh 这是一对不正确的标签示例4: \number
需求:匹配出
www.itcast.cn
#coding=utf-8
import re
labels = [“
www.itcast.cn
”, “www.itcast.cn
”]for label in labels:
ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", label)
if ret:
print("%s 是符合要求的标签" % ret.group())
else:
print("%s 不符合要求" % label)
运行结果:
www.itcast.cn
是符合要求的标签www.itcast.cn
不符合要求示例5:(?P)(?P = name)
需求:匹配出
www.itcast.cn
#coding=utf-8
import re
ret = re.match(r"<(?P\w*)><(?P\w*)>.*</(?P=name2)></(?P=name1)>", “
www.itcast.cn
”)ret.group()
ret = re.match(r"<(?P\w*)><(?P\w*)>.*</(?P=name2)></(?P=name1)>", “
www.itcast.cn
”)ret.group()
注意:(?P)和(?P=name)中的字母p大写
运行结果:
8.7re模块的高级用法
search
需求:匹配出文章阅读的次数
#coding=utf-8
import re
ret = re.search(r"\d+", “阅读次数为 9999”)
ret.group()
运行结果:
‘9999’
findall
需求:统计出python、c、c++相应文章阅读的次数
#coding=utf-8
import re
ret = re.findall(r"\d+", “python = 9999, c = 7890, c++ = 12345”)
print(ret)
运行结果:
[‘9999’, ‘7890’, ‘12345’]
sub将匹配到的数据进行替换
需求:将匹配到的阅读次数加1
方法1:
#coding=utf-8
import re
ret = re.sub(r"\d+", ‘998’, “python = 997”)
print(ret)
运行结果:
python = 998
方法2:
#coding=utf-8
import re
def add(temp):
strNum = temp.group()
num = int(strNum) + 1
return str(num)
ret = re.sub(r"\d+", add, “python = 997”)
print(ret)
ret = re.sub(r"\d+", add, “python = 99”)
print(ret)
运行结果:
python = 998
python = 100
练习
从下面的字符串中取出文本
岗位职责:
完成推荐算法、数据统计、接口、后台等服务器端相关工作
必备要求:
良好的自我驱动力和职业素养,工作积极主动、结果导向
技术要求:
1、一年以上 Python 开发经验,掌握面向对象分析和设计,了解设计模式
2、掌握HTTP协议,熟悉MVC、MVVM等概念以及相关WEB开发框架
3、掌握关系数据库开发设计,掌握 SQL,熟练使用 MySQL/PostgreSQL 中的一种
4、掌握NoSQL、MQ,熟练使用对应技术解决方案
5、熟悉 Javascript/CSS/HTML5,JQuery、React、Vue.js
加分项:
大数据,数理统计,机器学习,sklearn,高性能,大并发。
</div>
参考答案:
re.sub(r"<[^>]*>| |\n", “”, test_str)
split 根据匹配进行切割字符串,并返回一个列表
需求:切割字符串“info:xiaoZhang 33 shandong”
#coding=utf-8
import re
ret = re.split(r"? ",“info:xiaoZhang 33 shandong”)
print(ret)
运行结果:
[‘info’, ‘xiaoZhang’, ‘33’, ‘shandong’]
8.8python贪婪和非贪婪
Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;
非贪婪则相反,总是尝试匹配尽可能少的字符。
在"*","?","+","{m,n}"后面加上?,使贪婪变成非贪婪。
s=“This is a number 234-235-22-423”
r=re.match(".+(\d±\d±\d±\d+)",s)
r.group(1)
‘4-235-22-423’
r=re.match(".+?(\d±\d±\d±\d+)",s)
r.group(1)
‘234-235-22-423’
正则表达式模式中使用到通配字,那它在从左到右的顺序求值时,会尽量“抓取”满足匹配最长字符串,在我们上面的例子里面,“.+”会从字符串的启始处抓取满足模式的最长字符,其中包括我们想得到的第一个整型字段的中的大部分,“\d+”只需一位字符就可以匹配,所以它匹配了数字“4”,而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。
解决方式:非贪婪操作符“?”,这个操作符可以用在"*","+","?“的后面,要求正则匹配的越少越好。
re.match(r"aa(\d+)”,“aa2343ddd”).group(1)
》‘2343’
re.match(r"aa(\d+?)",“aa2343ddd”).group(1)
》‘2’
re.match(r"aa(\d+)ddd",“aa2343ddd”).group(1)
》‘2343’
re.match(r"aa(\d+?)ddd",“aa2343ddd”).group(1)
》‘2343’
练一练
字符串为:
请提取url地址
参考答案
re.search(r"https://.*?.jpg", test_str)
8.9r的作用
mm = “c:\a\b\c”
mm
‘c:\a\b\c’print(mm)
c:\a\b\cre.match(“c:\\”,mm).group()
‘c:\’ret = re.match(“c:\\”,mm).group()
print(ret)
c:\ret = re.match(“c:\\a”,mm).group()
print(ret)
c:\aret = re.match(r"c:\a",mm).group()
print(ret)
c:\aret = re.match(r"c:\a",mm).group()
Traceback (most recent call last):
File “”, line 1, in
AttributeError: ‘NoneType’ object has no attribute ‘group’
说明
Python中字符串前面加上 r 表示原生字符串,
与大多数编程语言相同,正则表达式里使用"“作为转义字符,这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”",那么使用编程语言表示的正则表达式里将需要4个反斜杠"\":前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题,有了原生字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。
ret = re.match(r"c:\a",mm).group()
print(ret)
c:\a