正则表达式
应用场景
- 特定规律字符串的查找替换切割等
- 邮箱格式、URL、IP等的校验
- 爬虫项目中,特定内容的提取
使用原则
- 只要是能够使用字符串函数解决的问题,就不要使用正则
- 正则的效率较低,还会降低代码的可读性
- 提醒:正则是用来写的,不是用来读的;在不知道功能的情况下,不要试图阅读别人的正则。
基本使用
- 说明:正则的解析处理是由re模块完成
- 相关函数:
-
- match:从开头进行匹配,匹配到就返回正则结果对象,没有就返回None
- search:从任意位置匹配,匹配到一次就返回,没有就返回None```
import re
# 只从开头匹配,找到返回一个正则结果对象,没有找到返回None
m = re.match('abc', 'abcsdhasdasjabcweuqo')
# 全部匹配,只要找到就停止并返回
m = re.search('abc', 'sdhabcsdasjabcweuqo')
if m:
# 提取匹配到的内容
print(m.group())
# 获取匹配位置
print(m.span())
-
- findall:全局匹配,返回匹配到的结果列表,没有时返回空列表
# 匹配所有内容,返回匹配结果组成的列表,若没有则返回空列表
f = re.findall('abc', 'qwsdhaslabcsadjlasdoiabcdakls')
if f:
print(f)
print(type(f))
-
- compile:生成正则表达式对象
# 生成正则表达式对象,用于正则匹配
c = re.compile('hello')
# 从开头进行匹配
m = c.match('hellosdsjldkabc')
# 从任意位置匹配
m = c.search('shdjkhelloaskjdha')
if m:
print(m.group())
# 匹配所有
f = c.findall('helloasjdhakhello')
if f:
print(f)
将正则的匹配分两步完成:先创建正则对象,然后通过对象的match、search、findall方法完成匹配
正则规则
- 单个字符:
普通字符:简单来说就是一对一的完全匹配
[]:中间的任意一个字符
[a-z]:a~z之间的字符(所有消息字母)
[0-9]:0~9之间的字符(所有数字)
[A-Z0-9]:所有的大写字母和数字
[^abc]:除abc外的所有字符
. :匹配'\n'以外的任意字符
\d:所有的数字,等价于[0-9]
\D:所有的非数字,等价于[^0-9]
\w:所有的数字、字母(中文)、下划线等(就是字)
\W:所有的非字字符(\w的取反)
\s:所有的空白字符(\n、\t、\t、空格等)
\S:所有的非空白字符
\b:词边界匹配(开头、结尾、标点、空格)
\B:非词边界匹配
次数控制
*:前面的字符出现任意次
+:前面的字符出现至少一次
?:前面的字符出现至多一次
{m}:指定次数,m表示出现的次数
{m,}:至少指定次数
{m,n}:指定范围内的次数,m到n次之间
{,n}:至多n次,相当于{0,n}
正则的匹配默认都是贪婪的(最大限度的匹配)
- 边界限定
-
- ^:以指定的内容开头
- $:以指定的内容结尾
- 示例
import re
# 以指定的内容开头
c = re.compile(r'^abc')
# 以指定的内容结尾
c = re.compile(r'kas$')
s = c.search('abcsdhkas')
if s:
print(s.group())
- 优先级控制
-
- |:表示或,它拥有最低的优先级
- ():用于表示一个整体,明确的指定优先级
- 示例:
import re
c = re.compile(r'a(hello|world)b')
s = c.search('aworldb')
if s:
print(s.group())
- 分组匹配
-
- 说明:()不但可以作为一个整体,还可以进行分组匹配
- 示例1:
import re
c = re.compile(r'(\d+)([a-z]+)(\d+)')
s = c.search('shd327sjahdajhsd87892ehawksd')
if s:
print(s.group())
# 默认就是全部的匹配内容,等价于上式
print(s.group(0))
# 第一个()匹配到的内容
print(s.group(1))
print(s.group(2))
print(s.group(3))
print(s.span())
print(s.span(0))
print(s.span(1))
print(s.span(2))
print(s.span(3))
-
- 示例2:给分组起名字
import re
# 固定匹配
# c = re.compile(r'<div><a>\w+</a></div>')
# \1表示前面第一个小括号匹配的内容
# c = re.compile(r'<([a-z]+)><([a-z]+)>\w+</\2></\1>')
# 给()起名字
c = re.compile(r'<(?P<goudan>[a-z]+)><(?P<ergou>[a-z]+)>\w+</(?P=ergou)></(?P=goudan)>')
s = c.search('<div><a>百度一下</a></div>')
if s:
print(s.group())
- 贪婪匹配
-
- 贪婪:最大限度的匹配叫贪婪。正则的匹配默认是贪婪。
- 非贪婪:只要满足匹配条件,能少匹配就少匹配;通过可以使用'?'进行取消贪婪
- 示例:
import re
# 取消任意多次的贪婪
# c = re.compile(r'a.*?b')
# 取消至少一次的贪婪
c = re.compile(r'a.+?b')
s = c.search('abdhsadjbsdjabs')
if s:
print(s.group())
- 匹配模式
-
- 说明:所谓模式就是对匹配的原则进行整体的修饰
- 示例:
import re
# 忽略大小写的匹配
# c = re.compile(r'hello', re.I)
# s = c.search('Hello world')
# 进行多行匹配,默认单行匹配
# c = re.compile(r'^hello', re.M)
# s = c.search('world \nhello')
# 做为单行处理 或 让 . 能够匹配 \n
c = re.compile(r'<div>.*?</div>', re.S)
# string = '<div>hello</div>'
string = '''<div>
hello
</div>'''
s = c.search(string)
if s:
print(s.group())
- 字符转义
-
- 若匹配正则语法中的特定字符都需要进行转义
- 正则字符串会被处理两次,python中处理一次,re模块会在处理一次
- 若不想考虑字符的转义问题,可以在书写正则字符串时前面加一个字符'r'
- 添加'r'之后,在python不会再进行任何转义,只需在与正则语法相关的字符前加'\'即可让其使用原有意义练习: