<html><body><h1>hello world<h1></body></html>
s = <html><body><h1>hello world<h1></body></html>
start_index = s.find('<h1>')
import re
key = r"<html><body><h1>hello world<h1></body></html>"#这段是你要匹配的文本
p1 = r"(?<=<h1>).+?(?=<h1>)"#这是我们写的正则表达式规则,你现在可以不理解啥意思
pattern1 = re.compile(p1)#我们在编译这段正则表达式
matcher1 = re.search(pattern1,key)#在源文本中搜索符合正则表达式的部分
print matcher1.group(0)#打印出来
➤举例
假设想把一个字符串中的所有"python"给匹配:
import re
key = r"javapythonhtmlvhdl"#这是源文本
p1 = r"python"#这是我们写的正则表达式
pattern1 = re.compile(p1)#同样是编译
matcher1 = re.search(pattern1,key)#同样是查询
print matcher1.group(0)
☢re.compile的作用
re模块中包含一个重要函数是"compile(pattern [, flags]) ",该函数根据包含的正则表达式的字符串创建模式对象。可以实现更有效率的匹配。在直接使用字符串表示的正则表达式进行search,match和findall操作时,python会将字符串转换为正则表达式对象。而使用compile完成一次转换之后,在每次使用模式的时候就不用重复转换。当然,使用re.compile()函数进行转换后,re.search(pattern, string)的调用方式就转换为 pattern.search(string)的调用方式。其中,后一种调用方式中,pattern是用compile创建的模式对象。如下:
>>> import re
>>> some_text = 'a,b,,,,c d'
>>> reObj = re.compile('[, ]+')
>>> reObj.split(some_text)
['a', 'b', 'c', 'd']
不使用"re.compile",在进行search,match等操作前不适用compile函数,会导致重复使用模式时,需要对模式进行重复的转换。降低匹配速度。而此种方法的调用方式,更为直观。如下:
>>> import re
>>> some_text = 'a,b,,,,c d'
>>> re.split('[, ]+',some_text)
['a', 'b', 'c', 'd']
➤规则
无论是python还是正则表达式都是区分大小写的,所以当你在上面那个例子上把"python"换成了"Python",那就匹配不到你心爱的python了。
➣重新回到第一个例子中那个<h1>hello world<h1>匹配。假如这样写:
import re
key = r"<h1>hello world<h1>"#源文本
p1 = r"<h1>.+<h1>"#我们写的正则表达式,下面会将为什么
pattern1 = re.compile(p1)
print pattern1.findall(key)#发没发现,我怎么写成findall了?咋变了呢?
知道那两个<h1>就是普普通通的字符,"."字符在正则表达式代表着可以代表任何一个字符(包括它本身)
findall返回的是所有符合要求的元素列表,包括仅有一个元素时,它还是给你返回的列表。
➣特殊字符
那如果就只是想匹配"."这时候在正则表达式中有一个字符"\",其实如果你编程经验较多的话,你就会发现这是好多地方的“转义符”。在正则表达式里,这个符号通常用来把特殊的符号转成普通的,把普通的转成特殊的23333。 举例,想要匹配邮箱"chuxiuhong@hit.edu.cn",可以把正则表达式写成下面这个样子:
import re
key = r"afiouwehrfuichuxiuhong@hit.edu.cnaskdjhfiosueh"
p1 = r"chuxiuhong@hit\.edu\.cn"
pattern1 = re.compile(p1)
print pattern1.findall(key)
在"."的前面加上了转义符\,但是并不是代表匹配“\.”的意思,而是只匹配“.”的意思。
➣正则表达式重的"+"
在上述实例重第一次用"."时,后面还跟了一个"+",其实不难想,"."字符在正则表达式代表着可以代表任何一个字符(包括它本身)”,但是"hello world"可不是一个字符。"+"的作用是将前面一个字符或一个子表达式重复一遍或者多遍。比方说表达式“ab+”那么它能匹配到“abbbbb”,但是不能匹配到"a",它要求你必须得有个b,多了不限,少了不行。
如果想要那种“有没有都行,有多少都行的表达方式”,可以使用"*"跟在其他符号后面表达可以匹配到它0次或多次,比方说我们在网页内遇到了链接,可能既有http://开头的,又有https://开头的,可以做如下处理:
import re
key = r"http://www.nsfbuhwe.com and https://www.auhfisna.com"#胡编乱造的网址,别在意
p1 = r"https*://"#看那个星号!
pattern1 = re.compile(p1)
print pattern1.findall(key)
输出
['http://', 'https://']
➣正则表达式中的"[]"
比方说有这么一个字符串"cat hat mat qat",会发现前面三个是实际的单词,最后那个是胡编乱造的。如果你本来就知道"at"前面是c、h、m其中之一时这才构成单词,你想把这样的匹配出来。之上的技巧只能通过写3个匹配方式将其匹配出,但是正则表达式提供了一种更加方便的方式:多字符匹方式,[]代表匹配里面的字符中的任意一个。 举例,比如发现有的程序员比较过分,在<html></html>这对标签上,大小写混用,对于这种情况,目前只有写16*16种正则表达式挨个匹配。但是可以使用[]
import re
key = r"lalala<hTml>hello</Html>heiheihei"
p1 = r"<[Hh][Tt][Mm][Ll]>.+?</[Hh][Tt][Mm][Ll]>"
pattern1 = re.compile(p1)
print pattern1.findall(key)
输出
['<hTml>hello</Html>']
既然有了范围性的匹配,自然有范围性的排除。[^]代表除了内部包含的字符以外都能匹配,还是cat,hat,mat,qat这个例子,想匹配除了qat以外的,那么就应该这么写:
import re
key = r"mat cat hat pat"
p1 = r"[^p]at"#这代表除了p以外都匹配
pattern1 = re.compile(p1)
print pattern1.findall(key)
为了方便我们写简洁的正则表达式,它本身还提供下面这样的写法:
正则表达式 | 代表的匹配字符 |
---|---|
[0-9] | 0123456789任意之一 |
[a-z] | 小写字母任意之一 |
[A-Z] | 大写字母任意之一 |
\d | 等同于[0-9] |
\D | 等同于[^0-9]匹配非数字 |
\w | 等同于[a-z0-9A-Z_]匹配大小写字母、数字和下划线 |
\W | 等同于[^a-z0-9A-Z_]等同于上一条取非 |
➤总结
介绍到这里,已经掌握了大致的正则表达式的构造方式,但是常常会在实战中遇到一些匹配的不准确的问题。比方说:
import re
key = r"chuxiuhong@hit.edu.cn"
p1 = r"@.+\."#我想匹配到@后面一直到“.”之间的,在这里是hit
pattern1 = re.compile(p1)
print pattern1.findall(key)
输出结果
['@hit.edu.']
理想的结果是@hit.,咋还给加量了呢?这是因为正则表达式默认是“贪婪”的,我们之前讲过,“+”代表是字符重复一次或多次。但是我们没有细说这个多次到底是多少次。所以它会尽可能“贪婪”地多给我们匹配字符,在这个例子里也就是匹配到最后一个“.”。解决这种问题的方法是:只要在“+”后面加一个“?”就好了。
import re
key = r"chuxiuhong@hit.edu.cn"
p1 = r"@.+?\."#我想匹配到@后面一直到“.”之间的,在这里是hit
pattern1 = re.compile(p1)
print pattern1.findall(key)
输出结果
['@hit.']
加了一个“?”就将贪婪的“+”改成了懒惰的“+”,这对于[abc]+,\w*之类的同样适用。
☢在你使用"+","*"的时候,一定先想好到底是用贪婪型还是懒惰型,尤其是当用到范围较大的项目上时,因为很有可能它就多匹配字符回来给你。
为了能够准确的控制重复次数,正则表达式还提供:{a,b}(代表a<=匹配次数<=b)
举例,我们有sas,saas,saaas,想要sas和saas,怎么处理:
import re
key = r"saas and sas and saaas"
p1 = r"sa{1,2}s" #{1,2}表示匹配一个a,或则两个a
pattern1 = re.compile(p1)
print pattern1.findall(key)
输出
['saas', 'sas']
如果省略掉{1,2}中的2,那么就代表至少匹配一次,那么就等价于“?”,如果你省略掉{1,2}中的1,那么就代表至多匹配2次。
下面列举一些正则表达式里的元字符及其作用
元字符 | 说明 |
---|---|
. | 代表任意字符 |
| | 逻辑或操作符 |
[ ] | 匹配内部的任一字符或子表达式 |
[^] | 对字符集和取非 |
- | 定义一个区间 |
\ | 对下一字符取非(通常是普通变特殊,特殊变普通) |
* | 匹配前面的字符或者子表达式0次或多次 |
*? | 惰性匹配上一个 |
+ | 匹配前一个字符或子表达式一次或多次 |
+? | 惰性匹配上一个 |
? | 匹配前一个字符或子表达式0次或1次重复 |
{n} | 匹配前一个字符或子表达式 |
{m,n} | 匹配前一个字符或子表达式至少m次至多n次 |
{n,} | 匹配前一个字符或者子表达式至少n次 |
{n,}? | 前一个的惰性匹配 |
^ | 匹配字符串的开头 |
\A | 匹配字符串开头 |
$ | 匹配字符串结束 |
[\b] | 退格字符 |
\c | 匹配一个控制字符 |
\d | 匹配任意数字 |
\D | 匹配数字以外的字符 |
\t | 匹配制表符 |
\w | 匹配任意数字字母下划线 |
\W | 不匹配数字字母下划线 |
<wiz_tmp_tag id="wiz-table-range-border" contenteditable="false" style="display: none;">