正则表达式
常见匹配模式
模式 | 描述 |
---|---|
\w | 匹配字母数字及下划线 |
\W | 匹配非字母数字及下划线 |
\s | 匹配任意空白字符,等价于[\t\n\r\f] |
\S | 匹配任意非空字符 |
\d | 匹配任意数字,等价于[0-9] |
\D | 匹配任意非数字 |
\A | 匹配字符串开始 |
\Z | 匹配字符串结束,如果是存在换行,只匹配到换行前的结束字符串 |
\z | 匹配字符串结束 |
\G | 匹配最后匹配完成的位置 |
\n | 匹配一个换行符 |
\t | 匹配一个制表符 |
^ | 匹配字符串的开头 |
$ | 匹配字符串的末尾 |
. | 匹配任意字符,除了换行符,当re.DOTALL标记被指定时,则可以匹配包括换行符的任意字符 |
[…] | 用来表示一组字符,单独列出: [amk]匹配’a’,‘m’或’k’ |
[^…] | 不在[]中的字符:[^abc]匹配除了a,b,c之外的字符 |
* | 匹配0个或多个的表达式 |
+ | 匹配1个或多个的表达式 |
? | 匹配0个或1个由前面的正则表达式定义的片段,非贪婪方式 |
{n} | 精确匹配n个前面表达式 |
{n, m} | 匹配n到m次由前面的正则表达式定义的片段,贪婪方式 |
a|b | 匹配a或b |
() | 匹配括号内的表达式,也表示一个组 |
常规匹配
import re
content = "Hello 123 4567 World_This is a Regex Demo" # 匹配的目标字符串
print("len=", len(content))
result = re.match("^Hello\s\d\d\d\s\d{4}\s\w{10}.*Demo$", content) # 第一个参数为正则表达式,第二个参数为匹配的内容,如果不是起始位置匹配成功的话,match()就会反回none
print(result.group(), result.span())
# 上述代码运行结果
len= 41
Hello 123 4567 World_This is a Regex Demo (0, 41)
泛匹配
import re
content = "Hello 123 4567 World_This is a Regex Demo"
result = re.match("^H.*o$", content) # 使用 .* 进行通用匹配
print(result)
print(result.group(), result.span())
# 结果
<re.Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex Demo'>
Hello 123 4567 World_This is a Regex Demo (0, 41)
匹配目标
import re
content = "Hello 123 4567 World_This is a Regex Demo"
result = re.match("^Hello\s(\d+)\s.*Demo$", content)
print(result)
print(result.group(),result.group(1), result.span()) # 这里的1代表的就是表达式中第一个()匹配的内容
# 结果
<re.Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex Demo'>
Hello 123 4567 World_This is a Regex Demo 123 (0, 41)
贪婪匹配
import re
content = "Hello 1234567 World_This is a Regex Demo"
result = re.match("^Hello.*(\d+).*Demo$", content)
print(result)
print(result.group(1)) # 由结果可以知道123456都被 .* 匹配了,.*会尽可能的匹配较多的字符,直到无法匹配为止
# 结果
<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
7
非贪婪匹配
import re
content = "Hello 1234567 World_This is a Regex Demo"
result = re.match("^Hello.*?(\d+).*Demo$", content) # 加上?就是非贪婪模式,会尽量少的匹配字符
print(result)
print(result.group(1))
# 结果
<re.Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>
1234567
匹配模式
import re
content = '''Hello 1234567
World_This is a Regex Demo'''
result = re.match("^He.*?(\d+).*?Demo$", content) # 因为.*是不能匹配换行符的,所以匹配不到
print(result)
result = re.match("^He.*?(\d+).*?Demo$", content, re.S) # 指定一个匹配模式以后,.*就可以匹配任何字符了
print(result.group(1))
# 结果
None
1234567
转义
import re
content = "price is $5.00"
result = re.match("price is $5.00", content) # 含有特殊字符的字符串是不能直接匹配的
print(result)
result = re.match("price is \$5\.00", content) # 需要加上转义字符
print(result)
# 结果
None
<re.Match object; span=(0, 14), match='price is $5.00'>
总结: 尽量使用泛匹配、使用括号得到匹配目标、尽量使用非贪婪模式、有换行符就用 re.S
re.search
re.search 扫描整个字符串并反回第一个成功匹配的字符。
import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
result = re.match("Hello.*?(\d+).*?Demo", content) # match从开头匹配,不在开头的话匹配不到
print(result)
result = re.search("Hello.*?(\d+).*?Demo", content) # search就可以
print(result, result.group(1))
# 结果
None
<re.Match object; span=(13, 53), match='Hello 1234567 World_This is a Regex Demo'> 1234567
总结: 能用search方法就不要用match
re.findall
搜索字符串,以列表形式反回全部能匹配的子串。
import re
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
</li>
</ul>
</div>'''
result = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S)
print(result)
# 结果
[('/2.mp3', '任贤齐', '沧海一声笑'), ('/3.mp3', '齐秦', '往事随风'), ('/4.mp3', 'beyond', '光辉岁月'), ('/5.mp3', '陈慧琳', '记事本'), ('/6.mp3', '邓丽君', '<i class="fa fa-user"></i>但愿人长久')]
re.sub
替换字符串中每一个匹配的子串后反回替换后的字符串。
import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
content = re.sub("\d+", 'AAAAAAAA', content) # 第一参数传入一个正则表达式,第二个参数是我们要替换成的字符串,第三个参数是我们要替换的字符串
print(content)
# 结果
Extra stings Hello AAAAAAAA World_This is a Regex Demo Extra stings
通过上述例子可以看到,目标内容已经被替换掉了。如果我们替换的内容中还需要原来的字符串,那么可以像下方这么写:
import re
content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
content = re.sub("(\d+)", r'\1 AAA', content) # 这里加入了括号,而 "\1"就代表了匹配出来的第一个括号的内容
print(content)
# 结果(可以看到原来的字符串也存在)
Extra stings Hello 1234567 AAA World_This is a Regex Demo Extra stings
re.compile
将正则字符串编译成正则表达式对象,便于复用该模式
import re
content = '''Hello 1234567
World_This is a Regex Demo'''
pattern = re.compile("Hello.*Demo", re.S) # 将正则字符串编译为对象
result = re.match(pattern, content) # 直接使用,不需要再写正则表达式
print(result)
# 结果
<re.Match object; span=(0, 41), match='Hello 1234567 \nWorld_This is a Regex Demo'>
学习正则表达式,最重要的还是多练习吧,使用多了,才会更加的熟悉,使自己写的正则表达式能够简单准确的匹配出我们想要的内容。一些工具网站提供再现的正则表达式提取,比如开源中国的正则表达式程序,大家需要的话可以点击跳转。