Python基础 - 正则表达式

Python基础 - 正则表达式

什么是正则表达式

在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是描述这写规则的工具。

常用元字符：

1. [] ：表示字符集，在字符集中的任意一个自否即可满足条件
2. {} ：表示量词，刚好出现的次数，{n,m}表示最少n次，最多m次；
3. \d ：表示0~9的数字；
4. \D ：表示除数字以外的字符
5. \w ：表示大小写的英文字母、数字、下划线
6. \W ：表示除大小写的英文字母、数字、下划线以外的字符
7. \s ：表示空白字符，包括 \t \n tab
8. \S ：表示不是空白字符
9. | ：分支
10. ? ：匹配0次或1次
11. *：匹配0次或多次
12. *? ：惰性匹配，匹配0次或1次，尽量少的匹配。

常用函数：

1. match(pattern, string,flags=0) ：用正则表达式规则匹配字符串，成功则返回匹配对象，否则返回NONE
2. fullmatch(pattern, string,flags=0) ：match函数的完全匹配
3. search(pattern, string,flags=0) ：搜索字符串中第一次出现匹配正则表达式规则的对象，成功则返回匹配对象，否则返回NONE
4. findall(pattern, string,flags=0) ：查找字符串中所有满足正则表达式规则的对象，返回一个列表
5. finiter(pattern, string,flags=0) ：查找字符串中所有满足正则表达式规则的对象，返回一个迭代器
6. sub(pattern, repl, string, count=0, flags=0) ：用指定的字符串替换满足正则表达式的对象，可以用count控制替换次数
7. split(pattern, string, maxsplit=0, flags=0) ：用正则表达式的模式分隔符拆分字符串，返回一个列表。

import re
# 通过正则表达式判断输入是否是有效手机号码
tel = input('请输入手机号码：')

# fullmatch 实现完全匹配
matcher = re.fullmatch(r'1[3-9][0-9]{9}', tel)

# match也能实现完全匹配
# ^ 和 $ 表示字符串的开始和结束，限制字符串长度
matcher2 = re.match(r'^1[3-9][0-9]{9}$', tel)

# 如果字符串跟正则表达式匹配成功，则返回一个匹配对象，否则返回空值
print(matcher, matcher2)

# 在字符串中获取想要的字符或字符串
content = """余婷的手机号不是13564889515，不是15632158948，，也不是120
骆昊135的手机号是13554892193，骆昊的存款没有15486513215161元。
"""

# 前瞻语法（向后看）---> (?=\d) 后面是数字，(?!\d) 后面不能是数字
# 回顾语法（向前看）---> (?<=\d) 前面是数字，(?!\d) 前面不能是数字

# 方法1：
matcher3 = re.search(r'(?<!\d)1[3-9][0-9]{9}(?!\d)', content)
while matcher3:
    print(matcher3.group())
    content = content[matcher3.end():]
    matcher3 = re.search(r'(?<!\d)1[3-9][0-9]{9}(?!\d)', content)

方法2：
items = re.findall(r'(?<!\d)1[3-9][0-9]{9}(?!\d)', content)
for item in items:
    print(item)

方法3：
items_obj = re.finditer(r'(?<!\d)1[3-9][0-9]{9}(?!\d)', content)
for item in items_obj:
    print(item)

抓取搜狐新闻页新闻链接和标题

import re

import requests
from future.backports.urllib.parse import urljoin

resp = requests.get('https://sohu.com/index.html')
if resp.status_code == 200:
    anchors_list = re.findall(r'<a.*?href="(.*?)".*?title="(.*?)".*?>', resp.text)
    for href, title in anchors_list:
        if not href.startswith('https://'):
            href = urljoin('https://sohu.com', href)
        print(href)
        print(title)