这是「进击的Coder」的第 379 篇技术分享
作者：黄伟呢
来源：数据分析与统计学之美
“
阅读本文大概需要 3 分钟。
”其实写正则表达式的人，挺多的。但还是有朋友让黄同学再写一遍，那行吧，黄同学笔记早就有了，只不过感觉别人写的都很全了，不好意思班门弄斧。
既然在写一次，我是想写的精简一些，挑重点的讲。
1. 什么是“正则表达式”
“正则表达式” 是一组由字母和符号组成的特殊文本，可以帮助我们从某个复杂的字符串中，提取出满足我们要求的特殊文本。
用一个我理解的比喻带着大家体会 “正则匹配的过程”。苹果道具相当于写的“正则表达式”，水果市场相当于“字符串”，“正则匹配的过程”就相当于拿着苹果道具去“水果市场”找苹果的过程，每匹配到一个就返回一个，否则就什么也没有。
2. 常用“操作符”介绍
正则表达式之所以这么强大，是因为拥有很多专用的操作符（又称“元字符”）、特殊字符和修饰符。
所谓“元字符”，指的是那些不仅仅可以表示字符本身含义、并且还可以表示其他特殊含义的字符。常用的元字符有. [ ] () ^ $ | \ ? * +{ }共11种，为了更加方便记忆和学习正则表达式，我将元字符再细化为 7 个普通元字符 + 4 个常用量化符。
特殊字符主要介绍了 6 个，\d、 \D、 \s、 \S、 \w、 \W
修饰符主要介绍 3 个，re.I、re.M、re.S
① 7 个普通元字符
下面这 7 个符号，我相信并不太多，大家一定可以记忆下来，不行就设置为壁纸帮助记忆。黄同学真的是一分再分，只能简化这份上了。
② 4 个常用量化符
所为“量化符”，指的就是将紧挨着量化符前面的那个字符，匹配 0 次、1 次或者多次，详细说明见下表。
③ 6 个特殊符号
所为“特殊符”，指的就是由转义字符加某些字母组合而成的，具有特殊意义的特殊字符，详细说明见下表。
④ 3 个常用修饰符
其实正则表达式中的修饰符不止 3 个，但是我只挑重要的给大家讲，详细说明见下表。
3. 常用方法介绍
其中三个函数用于查找匹配 match()、search()、findall()，一个函数 sub() 用于替换，一个函数 split() 用于切分字符串，还有一个函数 compile() 用于编译正则表达式。
在分别讲述这些函数之前，我们分别讲述一下这些函数的含义。
match()：匹配字符串的开头，如果开头匹配不上，则返回 None；
search()：扫描整个字符串，匹配后立即返回，不在往后面匹配；
findall()：扫描整个字符串，以列表形式返回所有的匹配值；
compile()：将字符串编译成正则表达式对象，供 match() 、 search() 和findall() 函数使用；
sub()：扫描整个字符串，用于替换字符串的某些值；
split()：扫描整个字符串，按照指定分隔符切分字符串；
① match(pattern,string,flag)
match() 函数语法格式如下：
pattern：你写的正则表达式；
string：待匹配的字符串；
flag：修饰符；
首先咱们来演示 match() 函数的用法。对于这样一个字符串 s1：
s1 = 'ab黄cd同abc学'
需求一：我们想要得到字符串 s1 中的 a，使用 match() 函数应该怎么做。
re.match('a',s1)
结果如下：
可以发现：这里得到的是一个match对象，并没有任何的结果。那么，怎么获取到具体的值。
直接调用对象的 group() 函数，可以获取到具体的值。
s1 = 'ab黄cd同abc学'
r1 = re.match('a',s1)
r1.group()
结果如下：
可以发现，match() 函数一旦匹配到具体值，就立即返回，不再往后面匹配。因此，这里只返回了一个 'a'。
需求二：我们现在不想匹配字符串 s1 中的 a，而是想匹配 s1 中的 b，又应该怎么做呢？
s1 = 'ab黄cd同abc学'
r2 = re.match('b',s1)
r2.group()
结果如下：
此时可以发现：报错了。这是由于 match() 函数只能从字符串开头匹配，如果开头没有匹配上，则会报错。因为字符串 s1 是以 a 开头，不是以 b 开头，所以匹配不上。
注：这个函数局限性太大，用的不是太多，因此大家知道这个事儿就行。match() 函数主要是用于区分下面要讲的 search() 函数。
② search(pattern, string,flag)
search() 函数语法格式如下：
pattern：你写的正则表达式；
string：待匹配的字符串；
flag：修饰符；
还是同样的一个字符串 s1：
s1 = 'ab黄cd同abc学'
需求一：我们想要得到字符串 s1 中的 a，使用 search() 函数应该怎么做。
s1 = 'ab黄cd同abc学'
r2 = re.search('a',s1)
r2.group()
结果如下：
需求二：使用 search() 函数，去匹配字符串 s1 中的 b。
s1 = 'ab黄cd同abc学'
r2 = re.search('b',s1)
r2.group()
结果如下：
search() 函数与 match() 函数不同点：match() 函数如果开头匹配不上，就无法匹配。search() 函数是扫描整个字符串，只要能匹配上，就有结果。
search() 函数与 match() 函数相同点：它们一旦匹配上了，就立即返回结果，而不再往后面匹配（即使后面能匹配上）。如果都匹配不上，会出现同样的错误，如下图所示：
注意：search() 函数比 match() 函数要实用一些，有时候我们只想匹配字符串的，第一个匹配值，后面的匹配值我们不想要，search() 函数可以很好的帮忙。
③ findall(pattern, repl, string, count=0, flags=0)
findall() 函数语法格式如下：
pattern：你写的正则表达式；
string：待匹配的字符串；
flag：修饰符；
findall() 函数，不管是我们做爬虫，还是我们做数据清洗，都属于高频函数，大家一定要好好掌握。
我们先看一个简单的例子：
还是前面的字符串 s1，我们分别只想获取 a、只想获取 b、获取 a 或 b，使用 findall() 会出现什么结果呢？
s1 = 'ab黄cd同abc学'
re.findall('a',s1)
re.findall('b',s1)
re.findall('[a | b]',s1)
结果如下：
可以发现：finadll() 函数会直接返回所有匹配对象，组成的列表（记住：返回的是列表），不像 search() 函数与 match() 函数，还需要调用 group() 函数，这个大家一定要注意。
如果 finadll() 函数，没有匹配上，不会报错，而是返回一个空列表。
s1 = 'ab黄cd同abc学'
re.findall('f',s1)
结果如下：
我们在来看一个稍微复杂一点的案例（爬虫经常见到的）
html = '''<html>
<head lang="en">
<title>Title</title>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
</head>
<body>
<div id="content">
<ul id="ul1">
<li>first</li>
<li>second</li>
<li>third</li>
</ul>
<ul id="ul2">
<li>alpha</li>
<li>beta</li>
</ul>
</div>
<div id="url">
<a href="http:www.baidu.com" title="baidu">baidu</a>
<a href="http:www.tipdm.com" title="tipdm">tipdm</a>
</div>
</body>
</html>
'''
如果我们想要使用正则表达式，获取其中的 li 标签，或者获取其中的 href 属性，应该怎么做呢？
# 获取li标签
re.findall('<li>(.*?)</li>',html)
# 获取href属性
re.findall('<a href="(.*?)" ',html)
结果如下：
操作其实很简单，固定写法：首尾照抄字符串源代码，我们想要的东西使用 () 小括号，括起来，里面写上 .*?
上面提到了一个 .* 与 .*?，其中 .* 表示贪婪匹配，.*? 表示非贪婪匹配。
. 可以匹配除了换行符以外的所有字符；
* 表示匹配前面的字符无限次；
? 前面紧挨的元素，最多匹配一次；
我们用一个例子简单说明：
s2 = 'a123b456b789b3'
re.findall('a(.*)3',s2)
re.findall('a(.*?)3',s2)
结果如下：
用一句通俗的话说明它们的区别：贪婪匹配是尽可能多的匹配内容，非贪婪匹配是尽可能少的 匹配内容。字符串 s2 中有两个 3，贪婪匹配会一直匹配到最后一个 3，但是非贪婪匹配找到第一个 3 后，就停止了。
④ compile()
compile 函数将字符串编译成正则表达式对象，供 match() 、 search() 和 findall() 函数使用。
即：先定义一个正则表达式对象 (Pattern对象)，然后分别调用该对象的 match() 、 search() 和 findall() 函数，这三个函数用法与它们原本用法相同。
我们直接用一个例子讲述该函数：
type(re.compile(r'\d+'))
结果如下：
可以看到这是一个 Pattern 对象。
s3 = '12one34two56three78four'
# 定义一个正则表达式对象，用于匹配至少一个数字
pattern = re.compile(r'\d+')
# 扫描整个字符串，匹配s3字符串中，符合该正则表达式的字符串。（这里调用的是对象的findll()对象）。
pattern.findall(s3)
# 从s3字符串，下标为1的位置，查找匹配值。
pattern.findall(s3,1)
# 从s3字符串，下标为1到下标为6的位置之间，查找匹配值。
pattern.findall(s3,1,6)
结果如下：
⑤ sub(pattern, repl, string, count, flags)
sub() 函数是 Python 正则表达式中，专门用于“替换”的函数。
sub() 函数语法格式如下：
pattern：你写的正则表达式；
repl：替换成啥；
string：待替换的字符串；
count：表示最大替换次数，默认 0 表示替换所有的匹配；
flag：修饰符；
同样对于上述提到的字符串 s3，我们将“英文字母” 全部替换为 “字母”两个字，应该做么办呢？
# '\D{3,5}'表示匹配非数字3-5次。
s3 = '12one34two56three78four'
# 这里没有指定最大匹配次数，因此默认会替换所有的匹配值
re.sub('\D{3,5}','字母',s3)
# 这里指定最大匹配次数count=2，因此只会替换前2个匹配值
re.sub('\D{3,5}','字母',s3,2)
# 如果count=3，则会替换3个匹配值
re.sub('\D{3,5}','字母',s3,3)
结果如下：
⑥ split(pattern, string, maxsplit, flags)
split() 函数是 Python 正则表达式中，专门用于“切分字符串”的函数。
split() 函数语法格式如下：
pattern：你写的正则表达式；
string：待分割的字符串；
maxsplit：最大分割次数，默认为 0，表示不限制分割次数；
flag：修饰符；
有这样一个字符串 s4，我们以“-”为分隔符切分字符串，看看使用 split() 函数会得到什么样的结果。
# '\D'表示匹配非数字
s4 = '136-3456-7413'
# 这里如果不指定“最大分割次数”，则是不限次数切分
re.split('\D',s4)
# 如果指定最大分割次数maxsplit=1，那么就只以第一个分隔符，进行切分
re.split('\D',s4,1)
结果如下：
限于篇幅！这篇文章就讲述到这里啦，感谢你的阅读。
End
「进击的Coder」专属学习群已正式成立，搜索「CQCcqc4」添加崔庆才的个人微信或者扫描下方二维码拉您入群交流学习。
看完记得关注@进击的Coder
及时收看更多好文
↓↓↓
赶紧动手试一试
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
