正则表达式
引自千锋教育
-
什么是正则表达式
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑组成。
普通字符:普通字符包括没有显式指定为元字符的所有可打印和不可打印字符。这包括所有大写和小写字母、所有数字、所有标点符号和一些其他符号。
元字符:记住常用的几个就可以,比如 \ . * ? +等
常用的正则的字符 -
匹配单个字符与数字
. 匹配除换行符以外的任意字符
[0123456789] []是字符集合,表示匹配方括号中所包含的任意一个字符
[good] 匹配good中任意一个字符
[a-z] 匹配任意小写字母
[A-Z] 匹配任意大写字母
[0-9] 匹配任意数字,类似[0123456789]
[0-9a-zA-Z] 匹配任意的数字和字母
[0-9a-zA-Z_] 匹配任意的数字、字母和下划线
[^good] 匹配除了good这几个字母以外的所有字符,中括号里的^称为脱字符,表示不匹配集合中的字符
[^0-9] 匹配所有的非数字字符
\d 匹配数字,效果同[0-9]
\D 匹配非数字字符,效果同[^0-9]
\w 匹配数字,字母和下划线,效果同[0-9a-zA-Z_]
\W 匹配非数字,字母和下划线,效果同[^0-9a-zA-Z_]
\s 匹配任意的空白符(空格,回车,换行,制表,换页),效果同[ \r\n\t\f]
\S 匹配任意的非空白符,效果同[^ \f\n\r\t]
- 锚字符(边界字符)
^ 行首匹配,和在[]里的^不是一个意思
$ 行尾匹配
\A 匹配字符串开始,它和^的区别是,\A只匹配整个字符串的开头,即使在re.M模式下也不会匹配它行的行首
\Z 匹配字符串结束,它和$的区别是,\Z只匹配整个字符串的结束,即使在re.M模式下也不会匹配它行的行尾
\b 匹配一个单词的边界,也就是值单词和空格间的位置
\B 匹配非单词边界
- 匹配多个字符
说明:下方的x、y、z均为假设的普通字符,n、m(非负整数),不是正则表达式的元字符
(xyz) 匹配小括号内的xyz(作为一个整体去匹配)
x? 匹配0个或者1个x
x* 匹配0个或者任意多个x(.* 表示匹配0个或者任意多个字符(换行符除外))
x+ 匹配至少一个x
x{n} 匹配确定的n个x(n是一个非负整数)
x{n,} 匹配至少n个x
x{n,m} 匹配至少n个最多m个x。注意:n <= m
x|y |表示或,匹配的是x或y
- 特殊
*? +? x? 最小匹配,通常都是尽可能多的匹配,可以使用这种解决贪婪匹配
(?:x) 类似(xyz),但不表示一个组
from urllib import request
import re
#正则表达式的使用
def Lcu():
url='http://tieba.baidu.com/f?kw=%C1%C4%B3%C7%B4%F3%D1%A7&fr=ala0&tpl=5' context = request.urlopen(url).read().decode('utf-8')
#找到所有的a标签
rel = '<a.*?href.*?>'
#python会将字符串转换为正则表达式对象。
# 而使用compile完成一次转换之后,在每次使用模式的时候就不用重复转换
re2 = re.compile(rel) #返回的类型为列表类型
result = re.findall(re2,context)
print(result)
for item in result:
#()标记一个子表达式的开始和结束位置。
#匹配所有的与re3相似的正则表达式,并且取得title的内容
re3 ='<a.*?title=\"(.*?)\".*?class=\"j_th_tit[\\s+]\".*?'
re4= re.compile(re3)
title=re.findall(re4,item)
print(title)
if len(title) ==0:
continue
else:
print(title[0])
Lcu()