@Author:By Runsen
正则表达式应用的场景也非常多。常见的比如:搜索引擎的搜索、爬虫结果的匹配、文本数据的提取等等都会用到,所以掌握甚至精通正则表达式是一个硬性技能,非常必要。
正则表达式
正则表达式是一个特殊的字符序列,由普通字符和元字符组成。元字符能帮助你方便的检查一个字符串是否与某种模式匹配。
Python中则提供了强大的正则表达式处理模块,即 re 模块, 为Python的内置模块。
下面,我带大家来一个入门demo例子,代码如下:
import re
reg_string = "hello9527python@wangcai.@!:xiaoqiang"
reg = "hello"
result = re.findall(reg,reg_string)
print(result)
这里reg_string就是我们的普通字符,reg就是我们的元字符。
我们使用 re 模块中的findall函数,进行匹配,返回的结果是列表数据类型。
我们使用正则表达式,就是为了在很长的字符串中,找到我们需要的字符串片段。
元字符
Python中常见元字符及其含义如下:
元字符 | 含义 |
---|---|
. | 匹配除换行符以外的任意字符 |
\w | 匹配数字字母下划线汉字 |
\s | 匹配任意空白符 |
\d | 匹配所有的数字 |
\b | 匹配单词的开始或结束 |
^ | 匹配字符串的开始 |
$ | 匹配字符串的开始结束 |
下面,我们具体使用下Python中的常见的元字符。
我们还是使用上次的例子,这次我们需要在reg_string匹配出我们的数字,只需要将reg换成\d,代码如下图所示。
比如,我们在之前的reg的hello前面加上一个^,意味着我们 匹配字符串的开始的hello,那么结果就是一个,就是我们开头的hello。
如果,我们把reg换成\w,代码如下图所示。
![372c578953be6c5862005738b9c020bb.png](https://i-blog.csdnimg.cn/blog_migrate/f00008a544a985c33dd05865a47b2407.png)
这样就是匹配数字字母下划线,包括我们的汉字。
反义代码
Python中常见反义代码 及其含义如下:
反义代码 | 含义 |
---|---|
\W | 匹配任意不是数字字母下划线汉字的字符 |
\S | 匹配任意不是空白符的字符 |
\D | 匹配非数字 |
\B | 匹配不是单词的开始或结束 |
[^a] | 匹配除了a以外的任意字符 |
[^abcd] | 匹配除了abcd以外的任意字符 |
其实,记忆很简单,我们是不是知道\d匹配数字,那么\d的大写\D就是匹配非数字,元字符[a]匹配a任意字符,那么[^a]就是匹配除了a以外的任意字符。
下面是具体例子
>>> import re
>>> reg_string = "hello9527python@wangcai.@!:xiaoqiang"
>>> reg = "\D"
>>> re.findall(reg,reg_string)
['h', 'e', 'l', 'l', 'o', 'p', 'y', 't', 'h', 'o', 'n', '@', 'w', 'a', 'n', 'g', 'c', 'a', 'i', '.', '@', '!', ':', 'x', 'i', 'a', 'o', 'q', 'i', 'a', 'n', 'g']
>>> reg = "[^a-p]"
['9', '5', '2', '7', 'y', 't', '@', 'w', '.', '@', '!', ':', 'x', 'q']
限定符
什么是限定符?就是限定我们匹配的个数的东西。
Python中常见限定符 及其含义如下:
限定符 | 含义 |
---|---|
* | 重复零次或多次 |
+ | 重复一次或多次 |
? | 重复零次或一次 |
{n} | 重复n次 |
{n,} | 重复n次或更多次 |
{n,m} | 重复n次到m次 {1,3} |
我们还是用我们之前的reg_string,这次我们限定了元字符为\d{4},也就是我们的匹配的数字必须是4个。
![10d3039e93acbf338e9b6d08aad78194.png](https://i-blog.csdnimg.cn/blog_migrate/ff8bc45df549e186f0e7b4d4221ebc60.png)
下面,我们来提高难度,匹配字母和数字,限定个数为4个。
这样我们可以使用[0-9a-z]{4},作为我们的元字符,[0-9a-z]代表了0到9的十个数字和a到z的小写26个英文字母。[0-9a-z]{4}限定了个数为4个。
我们打印输出下。
![9a8eaaa96c5ed86735b766b3809d034b.png](https://i-blog.csdnimg.cn/blog_migrate/4a49803d1953b09552d46b79aee0466e.png)
如果遇到了不是在[0-9a-z]范围内,就会跳过,直到后面的4个都是在[0-9a-z]范围内就打印输出。
匹配ip地址
在互联网中,一台主机只有一个IP地址。IP地址用于在TCP/IP通信协议中标记每台计算机的地址,通常用于十进制来表示,如192.168.1.100。
在window系统中,我们可以通过ipconfig查看我们的ip。在linux系统中,我们可以通过ifconfig查看我们的ip。
我们的ip字符串是这样子的:ip = "this is ip:192.168.1.123 :172.138.2.15"
下面要求使用正则表达式,将ip匹配出来。
其实,我们主要编写元字符。比如:reg = "\d{3}.\d+.\d+.\d+",
因为第一个数字必须是三位数开头,我们可以设定\d{3}
固定起来。
我们除了可以使用findall,还可以使用search,我们把元字符
reg = "(\d{1,3}.){3}\d{1,3}"
。
这元字符中的\d{1,3}
.指定是我们ip前三个数字,后面加{3}
就是重复3次。\d{1,3}
指的就是我们ip最后一个数字。
但是search和findall是有区别的,search只能匹配第一个,我们需要使用列表取出第一个,而findall匹配所有。
![f153898a847ab8bedac31f11a00a55a1.png](https://i-blog.csdnimg.cn/blog_migrate/07f67a03de56504f1380316b802fdefb.png)
组匹配
什么是组匹配,比如说这里边我有一个字符串s = this is phone:13888888888 and this is my postcode:012345
,我需要你把手机号和验证码匹配出来。
因为,我们要匹配两个,而已每个的元字符都是不一样的。所以,我们需要分组匹配。
正则表达式的括号表示分组匹配,括号中的模式可以用来匹配分组的内容。
于是我们的元字符就变成:reg = this is phone:(\d{11}) and this is my postcode:(\d{6})
我们一般使用search进行分组匹配,上次我是不是说过search需要使用列表取出来,这里的组匹配也是一样,不过这里用的是group()
方法。group(1)
代表了我们的手机号,group(2)
代表了我们的验证码,而group(0)
代表了我们的手机号和验证码,代码如下图所示。
![904e7c56695b0c45e0566ed65b101aee.png](https://i-blog.csdnimg.cn/blog_migrate/4f76c4614fe5b6a8f7f15b15cbfe3889.png)
在正则表达式中,除了findall和search用法,还有一个match用法。
match用法只匹配开头的,也是需要group()取出来,下图match的例子。
这是的re.I是忽略大小写的意思。
贪婪与非贪婪
贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为,贪婪模式在整个表达式匹配成功的前提下,尽可能多的匹配,而非贪婪模式在整个表达式匹配成功的前提下,尽可能少的匹配。
贪婪和非贪婪有几个非常重要的操作符。
操作符 | 含义 |
---|---|
* | 重复零次或更多次 |
+ | 重复一次或更多次 |
? | 重复零次或一次 |
比如说这里边我有一个字符串reg_string = pythonnnnnnnnnpythonHelloPytho
,我们先使用贪婪的模式下的元字符:reg = "python*"
贪婪模式下的reg = "python*"
,意味着n重复零次或更多次。所以我们看到了第一关结果的pythonnnnnnnnn
尽可能多的匹配。
下面使用非贪婪的模式下的元字符:reg = "python*?"
,reg = "python+?"
,reg = "python??"
。
非贪婪模式下的
reg = "python*"
,意味着n
零次或一次,所以我们没有看到pythonnnnnnnnn
的结果。
手机号码验证
首先,我们要知道我们的手机号码是什么开头的?
移动手机号码开头有16个号段:134、135、136、137、138、139、147、150、151、152、157、158、159、182、187、188。
联通手机号码开头有7种号段:130、131、132、155、156、185、186。
电信手机号码开头有4个号段:133、153、180、189。
![b5452ac3e7cc88901779ada472e7a05f.png](https://i-blog.csdnimg.cn/blog_migrate/89ce1330416111703d69acc4544a1b12.png)
这样我们就可以在开头做事情了,先判断开头是不是上面的号段,regex = "^((13[0-9])|(14[5|7])|(15([0-3]|[5-9]))|(18[0,5-9]))\d{8}$"
,就是我们的元字符,代码如下:
import re
def checkCellphone(cellphone):
regex = "^((13[0-9])|(14[5|7])|(15([0-3]|[5-9]))|(18[0,5-9]))\d{8}$"
result = re.findall(regex,cellphone)
if result:
print("匹配成功")
return True
else:
print("匹配失败")
return False
cellphone = '13717378202'
checkCellphone(cellphone)
匹配成功
True
匹配邮箱合法性
下面,我们进行一个作业,就是来匹配我们的邮箱号码。
![ede4cb4bc69e36b14b37b7e2f9749b0e.png](https://i-blog.csdnimg.cn/blog_migrate/fbc84666007e5656aa3507e2d593d7b1.png)
作业的答案如下:
import re
def checkEmail(email):
regex_1 = '^(\w+)@sina.com$'
regex_2 = '^(\w+)@sina.com.cn$'
regex_3 = '^(\w+)@163.com$'
regex_4 = '^(\w+)@126.com$'
regex_5 = '^[1-9][0,9]{4,}+@qq.com$'
regex = [regex_1 ,regex_2 ,regex_3, regex_4, regex_5]
for i in regex:
result = re.findall(i,email)
if result:
print("匹配成功")
return True
else:
print("匹配失败")
return False
email = 'sdjflsdjkl@sina.com'
checkEmail(email)
正则表达式测试工具
打开开源中国提供的正则表达式测试工具 http://tool.oschina.net/regex/,输入待匹配的文本,然后选择常用的正则表达式,就可以得出相应的匹配结果了。
例如,输入下面这段待匹配的文本:
Hello, my phone number is 123455678 and email is runsen@qq.com, and my website is https://blog.csdn.net/weixin_44510615.
这段字符串中包含了一个电话号码和一个电子邮件,接下来就尝试用正则表达式提取出来,如图所示。
![672c129745c2e5fdc88ec40e1942523d.png](https://i-blog.csdnimg.cn/blog_migrate/f9417a9e118c67ee949f3f2768fb4cb6.png)
在网页右侧选择 “匹配 Email 地址”,就可以看到下方出现了文本中的 E-mail。如果选择 “匹配网址 URL”,就可以看到下方出现了文本中的 URL。是不是非常神奇?
![12fd28129e8085c18d7302ed40ef0107.png](https://i-blog.csdnimg.cn/blog_migrate/4a7c765cb8776e7ea478e3a0458f77dd.png)
![b664cd30d047eb5643293b11633389b2.png](https://i-blog.csdnimg.cn/blog_migrate/de55e4614e40faf7c026173e454ae862.png)