还不会正则?
预热
概念:
一说正则表达式,也许很多人都清楚怎么使用,却说不出正则表达式到底是什么,所以先看看百度百科是如何定义正则表达式的:"正则表达式是对字符串(包括普通字符(例如,a 到 z 之间的字母) 和特殊字符(称为“元字符”)) 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。正则表达式是一种文本模式,模式描述在搜索时要匹配的一个或多个字符串。“
目的:
从这个定义中可以看出正则表达式无非做两件事:
- 写正则表达式;
- 正则匹配、提取结果;
特点:
- 灵活性、逻辑性和功能性非常强;
- 可以迅速地用极简单的方式达到字符串的复杂控制。
- 对于刚接触的人来说,比较晦涩难懂。
场景:
当然正则表达式应用的场景也非常多。常见的比如:搜索引擎的搜索、爬虫结果的匹配、文本数据的提取等等都会用到,所以掌握甚至精通正则表达式是一个硬核技能,非常必要。
小试牛刀
上边对正则表达式的一些概念性的东西做了一个劲简单的说明,接下来就是一些操作了。
在Python中需要通过正则表达式对字符串进行匹配的时候,直接使用Python的内置模块re即可。
- re.match的使用
re.match()能够匹配出以固定字符开头的字符串
# 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()
# 实例操作:
import re
ret = re.match('lph', 'lph.com')
ret.group()
'lph'
- 单个字符的匹配
下面的表是正则表达式的单个字符的匹配。
字符 | 功能 |
---|---|
. | 匹配任意1个字符(除了\n) |
[ ] | 匹配[ ]中列举的字符 |
\d | 匹配数字,即0-9 |
\D | 匹配非数字,即不是数字 |
\s | 匹配空白,即 空格 tab键 |
\S | 匹配非空白 |
\w | 匹配单词字符:即a-z A-Z 0-9 _ |
\W | 匹配非单词字符 |
下面通过一些简单的实例来看几个用法
import re
# 匹配任意一个字符串
ret = re.match('l.h', 'lph')
ret.group()
'lph'
# 匹配[ ]中列举的字符
ret = re.match("[Lh]", 'Lph')
ret.group()
'L'
# 使用\d进行匹配
ret = re.match('lph\d', 'lph1frp')
ret.group()
'lph1'
- 匹配多个字符
在实际工作中大多时候匹配的是多个字符,不再是一个字符。所以这一部分必须熟悉。
字符 | 功能 |
---|---|
* | 匹配前一个字符出现0次或者无限次,即可有可无 |
+ | 匹配前一个字符出现1次或者无限次,即至少有1次 |
? | 匹配前一个字符出现1次或者0次,即要么有1次,要么没有 |
{m} | 匹配前一个字符出现m次 |
{m,n} | 匹配前一个字符出现从m到n次 |
下面演示一下多字符匹配使用:
# *的匹配
需求:匹配出,一个字符串第一个字母为小写字符,后面都是大写字母并且这些大写字母可有可无
ret = re.match('[a-z][A-Z]*', 'aBcdE')
ret.group()
'aB'
# +的匹配
需求:匹配出,变量名是否有效
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)
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
# ?的匹配
需求:匹配出,a-z之间字符
ret = re.match('[a-z]?\d', 'c55')
ret.group()
'c5'
# 匹配{m}
需求:匹配出,6位的密码,可以是大小写英文字母、数字、下划线
ret = re.match('[a-zA-Z0-9_]{6}', '12a3g45678')
ret.group()
'12a3g4'
# 匹配{m, n}
需求:匹配出,8-20位的密码,可以是大小写英文字母、数字、下划线
ret = re.match('[a-zA-Z0-9_]{8, 20}', '1ad12f23s34455ff66')
ret.group()
'1ad12f23s34455ff66'
- 匹配开头结尾
这种场景在实际中也经常用得到。比如当我们需要筛选某一个文件里面的邮箱时,就要使用到**$**规则去匹配。下面就以163.com结尾邮箱为例,演示一段代码:
import re
email_list = ['laoli@163.com', 'laoli@163.csf.com', '.com.xiaowang@qq.com']
for email in email_list:
ret = re.match('[\W]{4,20}@163\.com$', 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)
运行结果如下:
很明显可以发现,满足条件的就只有一个,其余两个不是以163.com结尾的就被很好的过滤掉了。
laoli@163.com是符合规定的邮件地址,匹配后的结果是:laoli@163.com
laoli@163.csf.com不符合要求
.com.xiaowang@qq.com不符合要求
大显身手
上边看完了基础用法之后,接下来看几个正则表达式的高级方法的使用。
- search———>>结果是字符串
需求:匹配出微信某篇文章的阅读数
import re
ret = re.search(r'\d+', '文章阅读量为:35434')
ret.group()
'35434'
- findall———>>结果是列表
需求:统计出Python、c、c++相应文章阅读的次数
import re
ret = re.findall(r'\d+', 'python = 9999, c = 7890, c++ = 12345')
ret
['9999', '7890', '12345']
- sub将匹配到的数据进行替换———>>结果仍然是字符串
需求:将匹配到的字符替换为Python全家桶
ret = re.sub(r'\d+', 'Python全家桶', 'age=23')
ret
'age=Python全家桶'
- split 根据匹配进行切割字符串———>>返回一个列表
需求:切割字符串"age:33 lph python全家桶"
ret = re.split(r':| ','age:33 lph python全家桶')
ret
['age', '33', 'lph', 'python全家桶']
- 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。
import re
ret = re.match(r'c:\\a', 'c:\\a\\b\\c').group()
print(ret)
'c:\\a'
养精蓄锐
看了上边的介绍,相信大家对正则表达式使用有了一个清晰的认识。这里再给大家列举一些工作中经常会用到的一些正则表达式。
1. Email地址:^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$
2. 域名:[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?
3. InternetURL:[a-zA-z]+://[^\s]* 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
4. 手机号码:^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$
5. 身份证号(15位、18位数字):^\d{15}|\d{18}$
6. 短身份证号码(数字、字母x结尾):^([0-9]){7,18}(x|X)?$ 或 ^\d{8,18}|[0-9x]{8,18}|[0-9X]{8,18}?$
7. 帐号是否合法(字母开头,允许5-16字节,允许字母数字下划线):^[a-zA-Z][a-zA-Z0-9_]{4,15}$
8. 密码(以字母开头,长度在6~18之间,只能包含字母、数字和下划线):^[a-zA-Z]\w{5,17}$
到这里,就已经将字符串的基本使用介绍完了,当然这个也是一些初级知识,想要在工作中对正则表达式做到游刃有余的话, 还需要大家私下不断地学习与操作。