正则表达式

正则表达式

语法

单字符匹配

字符	匹配
.	匹配任意字符（'\n’除外）
\d	匹配任意数字
\D	匹配任意非数字
\s	匹配空白字符(\t,\n,\r和空格)
\S	匹配任意非空白字符
\w	匹配a-z和A-Z以及数字和下划线
\W	与\w相反
[]	只要满足括号中的某一项都算匹配成功

match方法总是从第一个字符匹配，返回group结构数据，若第一个字符不匹配返回空，报类型错误

import re

text = 'abc'
#match方法从第一个字符匹配，若不同返回空，报类型错误

#匹配某个字符
ret = re.match('a',text)#参1：规则，参2：源
print(ret.group())#结果：a
ret = re.match('b',text)#参1：规则，参2：源
print(ret.group())#结果：报错

#点(.)：匹配任意字符（'\n'除外）
ret = re.match('.',text) #res:a，匹配到'\n'报错 
#\d：匹配任意数字
ret = re.match('\d',text)
#\D：匹配任意非数字
#\s：匹配空白字符(\t,\n,\r和空格)
#\S：匹配任意非空白字符
#\w：匹配a-z和A-Z以及数字和下划线
#\W：与\w相反
#[]组合方式，只要满足中括号中的某一项都算匹配成功
ret = re.match('[ab]',text)#能够匹配a或b,[]在引号内
ret = re.match('[0-9a-zA-Z_]',text)#\w
ret = re.match('[0-9]',text)#匹配0-9，同\d
ret = re.match('[^0-9]',text)#加^为取反，匹配非0-9，同\D

多字符匹配

字符	匹配
*	匹配前一个字符0次或无限次
+	匹配前一个字符1次或无限次
？	匹配前一个字符0次或1次
{m}/{m,n}	匹配前一个字符m次或m-n次
*? /+? /??	匹配模式变为非贪婪（尽可能少匹配字符)

import re

text = 'abc'
text1 = '+abc'

#匹配任意多个字符
ret = re.match('\w*',text)#任意个字母数字下划线
print(ret.group())#结果：abc
ret = re.match('\w*',text1)#可以为0个，不报错，为空字符。
#+：匹配1个或多个
ret = re.match('\w+',text1)#报错。
#?：匹配0个或1个
ret = re.match('\w?',text)#res:a
#{m}:匹配m个
ret = re.match('\w{2}',text)#res:ab
#{m,n}:匹配m个
ret = re.match('\w{1,3}',text)#res:abc
ret = re.match('\w{1,3}','a+bc')#res:a

案例

多字符或匹配用：(xxx|xxx|xxx)表示

import re

#1.验证手机号：以1开头，第二位为34587，后面9位为数字
res = re.match("1[34587]\d{9}",'18660282235')
#2.验证邮箱：邮箱名符合变量定义，接@，后面为域名
res = re.match("\w+@[a-z0-9]+\.[a-z]+",'_song6367@qq.com')
#3.验证URL：以http,https,ftp开头，接'://',接非空白字符
res = re.match("(http|https|ftp)://\S+",'https://www.baidu.com')
#4.身份证号：18位，前17位为数字，后面可以是数字或x或X
res = re.match("\d{17}[\dxX]",'37100219881023556X')

开始、结束和非贪婪

re.search搜索整个字符串中，查找第一个满足条件的内容，只能查找一个。

import re

text = 'hello world'
# ^：以...为开头，即整个字符串以此开头，相当于match
res = re.search('^world',text)#错误
res = re.search('world',text)#res:world
# $：以...为结尾
res = re.search('hello$',text)#错误

# |：匹配多个字符串或者表达式
res = re.search('^world',text)#错误
# 贪婪和非贪婪
res = re.search('\w+?',text)#res:h,+?或*?等表示非贪婪模式，最小匹配
res = re.search('\w?+',text)#res:hello,?为首字符0或1次适配\w，仍为贪婪模式
# 案例1：提取html标签名称
text = '<h1>hello world</h1>'
res = re.search('<.+>',text) #res:<h1>hello world</h1>,贪婪模式
res = re.search('<.+?>',text) #res:<h1>,非贪婪模式
#验证一个字符是不是0-100之间的数字
res = re.match('(0|[1-9]\d?|100)','01234') #res:0，若以0开头，必须以0结尾，故加$
res = re.match('(0$|[1-9]\d?|100)','100') #res:10，若匹配两位数，则符合以此结尾，故加$
res = re.match('(0$|[1-9]\d?$|100)','1000') #res:100，若为三位数，则符合以此结尾，加$
res = re.match('(0$|[1-9]\d?$|100$)','1000') #报错

转义字符和原生字符

import re

#python中的转义字符：
text = 'hello\nworld' #\n为换行
text = 'hello\\nworld' #转义，转为字符"\n"
text = r'hello\nworld' #原生字符串，只认为是字符"\n"

#正则表达式中的转义字符
text = 'apple price is $99,range price is $88'
res = re.findall('$\d+',text)#res:[]，$为以前面字符结尾，即以空白字符结尾
res = re.findall('\$\d+',text)#res:['$99','$88']，转义为$

#原生字符串和正则表达式
#转义规则：先原python语言中转义，然后将结果放在正则表达式中转义
text = '\cba c'
res = re.match('\c',text)#报错，正则遇'\'，默认与后面字符结合，结果'\c'无意义
res = re.match('\\c',text)#报错，先python转为\c，正则表达式接收字符为'\c'，结果同上
res = re.match('\\\c',text)#正确，python转为\\c，正则表达式转为'\c'
res = re.match(r'\\c',text)#报错，python不解析，正则表达式接收字符为'\c'，结果同上

分组

正则表达式只能匹配一个字符串，要提出多个信息，需将目标信息的匹配规则用’()'括起来，通过group()获取，其中：

group()/group(0)：匹配整个分组

group(n)：匹配第一个分组，第一个为1

groups()：以元组形式，返回所有分组

import re
text = 'apple price is $99,range price is $88'
res = re.search(r'.+(\$\d+).+(\s\d+)',text)
#group()/group(0)：apple price is $99,range price is $88
#group(1)：$99
#groups()：('$99','$88')

常用函数

import re

text = 'apple price is $99,range price is $88'
html = '''
<div class = 'job-detail'>
	<p>1.xxxxx</p>
	<p>2.xxxxx</p>
</div>
'''
#findall：查找所有满足条件的，返回列表
res = re.findall(r'\$\d+',text)#res:['$99','$88']
#查找特殊字符间文本，不包括特殊字符。将需要提取字段加()
ruler = r'<p>(.+)</p>' #由于有括号，建议将表达式单独写出
res = re.findall(ruler ,html)#res:['1.xxxxx', '2.xxxxx']



#sub：根据规则替换其他字符串，可用于去除标签，比replace功能强大
res = re.sub(r'<.+?>','','html')#参1：表达式，参2：替换字符串，参3：源
    '''res:
    class = 'job-detail'
        1.xxxxx
        2.xxxxx

    '''
#多条件替换，去除年月日
dateDel = re.sub('20\d\d年|\d{1,2}月|\d{1,2}日','',txt)

#split：根据规则分割字符串，可以指定多个分割符
res = re.split(r' |,',text)
#res:['apple', 'price', 'is', '$99', 'range', 'price', 'is', '$88']

#compile：编译正则表达式，对于多请求时，可提前编译好，防止每个请求都要编译一次
r = re.compile(r' |,')#编译正则表达式
res = re.split(r,text)#直接使用编译好的正则表达式

#re.VERBOSE：添加注释，防止后续看不懂
text = 'apple price is 34.56'
r = re.compile(r"""
\d+ # 整数部分
\.? # 小数点，可无，可出现1次
\d+ # 小数部分
""",re.VERBOSE)
#r = re.complie(r'\d+\.?\d+',text)#等价，正则表达式过于难懂，建议加注释
res = re.search(r,text)

'''search中也可加注释
res = re.search(r"""
\d+ # 整数部分
\.? # 小数点，可无，可出现1次
\d+ # 小数部分
""",text,re.VERBOSE)
'''

汉字

匹配多个汉字，不包括空格

import re
res = re.match(r'[\u4E00-\u9FA5]+', '我是 汉字')
print(res)  # <re.Match object; span=(0, 2), match='我是'>

匹配多个汉字，包括空格

import re
res = re.match(r'[\u4E00-\u9FA5\s]+', '我是 汉字')
print(res)  # <re.Match object; span=(0, 5), match='我是 汉字'>

匹配一个汉字

import re
res = re.match(r'[\u4E00-\u9FA5]', '我是 汉字')
print(res)  # <re.Match object; span=(0, 1), match='我'>

import re
res = re.match(r'[^\x00-\xff]', '我是 汉字')
print(res)  # <re.Match object; span=(0, 1), match='我'>