说到正则,一般常用的都是用来匹配搜索、替换。
搜索一般是看:
1. 包含不包含
2. 和搜索相关的内容
替换则就是替换。
会了这几种,一般搜索 或者处理一些日志、爬虫内容、格式化处理一些非规范格式的数据就能达到目的了。
以下给一些实例:
import re
# s = 'tr>th>企业名称th>td>dfsdfstd>tr>'
# s = '123<td>dfdfd/td>tr>'
# s = '<tr><th>企业名称</th><td>安fdfdf</td></tr>'
s='<dd> <a style="" href="/book/13781/5708546.html" target="_blank">第14章 dedededede</a></dd>'
m1 = re.match(r'.*href="([^"]*?html").*',s)
if m1:
mg1 = m1.groups()
print("mg1:" + str(mg1))
else:
print("mg1 none")
m2 = re.match(r'href="([^"]*?html").*',s)
if m2:
mg2 = m2.groups()
print("mg2:" + str(mg2))
else:
print("mg2 none")
s1 = re.search(r'href="([^"]*?html").*',s)
if s1:
sg1 = s1.groups()
print("sg1:" + str(sg1))
else:
print("sg1 none")
s2 = re.search(r'(.*)href="([^"]*?html").*',s)
if s2:
sg2 = s2.groups()
print("sg2:" + str(sg2))
else:
print("sg2 none")
f1 = re.findall(r'href="([^"]*?html")',s)
if f1:
print("f1:" + str(f1))
else:
print("f1 none")
f2 = re.findall(r'href="[^"]*?html"',s)
if f2:
print("f2:" + str(f2))
else:
print("f2 none")
f3 = re.findall(r'="([^"]*")',s)
if f3:
print("f3:" + str(f3))
else:
print("f3 none")
a = re.sub(r'<.*?>','',s)
print("a:" + a)
输出结果为:
mg1:('/book/13781/5708546.html"',)
mg2 none
sg1:('/book/13781/5708546.html"',)
sg2:('<dd> <a style="" ', '/book/13781/5708546.html"')
f1:['/book/13781/5708546.html"']
f2:['href="/book/13781/5708546.html"']
f3:['"', '/book/13781/5708546.html"', '_blank"']
a: 第14章 dedededede
那我们把常用的对比分析下:
m1 和m2 的匹配差别是前面的 ".*",由于match是从开头匹配的,开头对不上,就匹配失败了
m2 和 s1 的匹配没差别,但是s1 有结果,search 是整个内容搜索的,也是和match不一样的地方
s1 和s2 多了一个“(.*)”,这是个分组,可以看出来sg2的结果有2个,分别是括号括起来的内容
剩下的就是findall函数,这个比较易懂,f1 是匹配括号里的内容,f2 没有括号,全匹配,f3是将所有结果都匹配出来了
再说一下a,这个是sub的用法,也就会替换,相当于把replace的正则版。其中"<.*?>" ?的作用是最小匹配。如果没有?好,那么右尖括号会匹配到文本最后一个出现的,那就不是我们的本意了,我们是想把所有的标签去掉,就留下 内容。
最后说一下分组,格式见代码注释。当我们分组比较多,又不想找第几个,可以自定义匹配组的名字,后续通过该名字找到该组。
#(?P<name>正则)
ma = re.match(r'(.*)href="(?P<href>[^"]*?html").*',s)
if ma:
mga = ma.group("href")
mgas = ma.groups()
print("mga:" + str(mga))
print("mgas:" + str(mgas))
else:
print("mga none")
结果为:
mga:/book/13781/5708546.html"
mgas:('<dd> <a style="" ', '/book/13781/5708546.html"')