文章目录
正则表达式应用场景
- 判读一个字符串是否符合规则
- 取出制定数据
- 爬虫岗位较为核心的技术
- 彩票网站匹配彩票信息
正则表达式模块----re
只匹配一次
import re
str_data = 'hello, this is a good day'
result = re.search('h([a-zA-Z])s', str_data)
print(result.groups())
结果:('i',)
匹配多次
import re
str_data = '本期彩票结果是:10,20,1,5,7,21,12'
result = re.findall('(\d+,\d+,\d+,\d+,\d+,\d+,\d+)', str_data)
print(result)
结果:['10,20,1,5,7,21,12']
匹配字符串需要的条件:
- 正则表达式模块----re
- 匹配“针”的规则
- 取“针”的大海----字符串
示例
示例1:\d匹配了数字
import re
data = 'hello dewei you are 33 age old'
print(re.findall('\d', data))
结果:['3', '3']
示例2:\s匹配了空格
import re
data = 'hello dewei you are 33 age old'
print(re.findall('\s', data))
结果:[' ', ' ', ' ', ' ', ' ', ' ']
示例3:\w匹配字母、数字及下划线
import re
data = 'hello dewei you are 33 age old'
print(re.findall('\w', data))
结果:['h', 'e', 'l', 'l', 'o', 'd', 'e', 'w', 'e', 'i', 'y', 'o', 'u', 'a', 'r', 'e', '3', '3', 'a', 'g', 'e', 'o', 'l', 'd']
示例4:\A匹配字符串开头
import re
data = 'hello dewei you are 33 age old'
print(re.findall('\Ahello', data))
结果:['hello']
示例5:\A匹配字符串开头
import re
data = 'hello dewei you are 33 age old'
print(re.findall('\Ahellos', data))
结果:[]
示例6:\Z匹配字符串结尾
import re
data = 'hello dewei you are 33 age old'
print(re.findall('old\Z', data))
结果:['old']
示例7:\Z匹配字符串结尾
import re
data = 'hello dewei you are 33 age old'
print(re.findall('aold\Z', data))
结果:[]
示例8:|或的关系,只要存在就能捕获
匹配到的数据只按字符串顺序返回,而不是按照匹配规则返回。
import re
data = 'xiaoming@qq.com'
print(re.findall('xiaoming|com|qq', data))
结果:['xiaoming', 'qq', 'com']
示例9:^等同于\A
import re
data = 'xiaoming@qq.com'
print(re.findall('^xiaoming', data))
结果:[xiaoming]
示例10:$等同于\Z
import re
data = 'xiaoming@qq.com'
print(re.findall('com¥', data))
结果:[]
示例11:w*匹配0次或多次数字或字母
data = 'xiaoming@qq.com'
print(re.findall('\w*', data))
结果:['xiaoming','','qq','','com','']
示例12:w+匹配1次或多次数字或字母,@和0属于0次范围,不会被匹配出来。
import re
data = 'xiaoming@qq.com'
print(re.findall('\w+', data))
结果:['xiaoming', 'qq', 'com']
示例13:{N,M}给出匹配到的数据范围
import re
data = 'xiaoming@qq.com'
print(re.findall('\w{1,5}', data))
结果:['xiaoming', 'qq', 'com']
示例14:N和M中间逗号左右不能有空格
import re
data = 'xiaoming@qq.com'
print(re.findall('\w{1,5}', data))
结果:[]
示例15:字符集中^不再代表开始,而是过滤掉。
import re
data = 'xiaoming@qq.com'
print(re.findall('[^xiaoming]', data))
结果:['@','q','q','.','c','o','m']
示例:判断当前的URL是不是合法的。
import re
def check_url(url):
result = re.findall('[a-zA-Z]{4,5}://\w*\.*\w+\.\w+', url)
if result != 0:
return True
else:
return False
def get_url(url):
result = re.findall('https://(\w*\.*\w+\.\w+)', url)
if len(result) != 0:
return result[0]
else:
return ''
def get_email(data):
result = re.findall('[0-9a-zA-Z_]+@[0-9a-zA-Z]+\.[a-zA-Z]+', data)
return result
组的概念
():在匹配规则中只要指定的数据
示例:
import re
data = 'hello my name is xiaoming'
result = re.search('hello (.*) name is (.*)')
print(result.groups())
结果:['my','xiaoming']
print(result.group(1))
结果:['my']
print(result.group(2))
结果:['xiaoming']
贪婪与非贪婪
0次或多次属于贪婪模式
通过?组合变成非贪婪模式
findall()的使用
findall(pattern, string[, flags])
[, flags]选填
查找字符串中所有(非重复)出现的正则表达式模式,并返回一个匹配列表
search的使用
search(pattern, string, flags=0)
使用可选标记搜索字符串中第一次出现的正则表达式模式。如果匹配成功,则返回匹配对象;如果失败,则返回None。
group()和groups()
group(num)返回整个匹配对象,或者编号为num的特定子组。
groups()返回一个包含所有包含匹配子组的元组。如果没有匹配成功,则返回一个空元组。
split()正则替换
split(pattern, string, max=0)
根据正则表达式的模式分隔符,split函数将字符串分割为列表,然后返回成功匹配的列表,分隔最多操作max次(默认分割所有匹配成功的位置)。
示例:
data = 'hello world'
print(re.split('\W', data))
结果:['hello','world']
re模块----match
match(pattern, string, flags=0)
尝试使用带有可选的标记的正则表达式的模式来匹配字符串。如果匹配成功,则返回匹配对象。如果失败,则返回None。
示例:
data = 'hello world'
result = re.match('hello', data)
print(result.group())
结果:'hello'
re模块----compile
compile(pattern, flags=0)
定义一个匹配规则的对象。
示例:
data = 'hello my email is xiaoming@qq.com i like python'
re_obj = re.compile('email is (.*?) i')
result = re_obj.findall(data)
print(result)
结果:['xiaoming@qq.com']
public class Eval { // 新建类
public static void main(String[] args) { // 主方法
String regex = "1[35]\\d{9}";
String text = "15000000000";
if (text.matches(regex)) {
System.out.println(text + "是合法的手机号");
}
}
}
结果:15000000000是合法的手机号
Python中常见的正则匹配符
1.正则表达式模式
如果要在正则表达式中使用点字符“ . ”,使用转义字符“ \ ”
模式 | 描述 |
---|---|
^ | 匹配字符串的开头 |
& | 匹配字符串的末尾 |
. | 匹配任意字符,除了换行符 |
[...] | 用来表示一组字符,单独列出:[amk]匹配'a','m'或'k' |
[^...] | 不在[]中的字符,[^abc]匹配除了abc以外的字符 |
re* | 匹配0个或多个表达式 |
re+ | 匹配1个或多个表达式 |
re? | 匹配0个或1个由前面的正则表达式定义的片段,非贪婪方式 |
re{ n} | 匹配n个前面表达式 |
re{ n,} | 精确匹配n个前面表达式 |
re{ n,m} | 匹配n到m次由前面的正则表达式定义的片段,贪婪方式 |
a|b | 匹配a或b |
\w | 匹配字母数字及下划线 |
\W | 匹配非字母数字及下划线 |
\d | 匹配任意数字,等价于[0-9] |
\D | 匹配任意非数字 |
\s | 匹配任意空白字符,等价于[\t\n\r\f] |
\S | 匹配任意非空字符 |
\A | 匹配字符串的起始 |
\Z | 匹配字符串的结束 |
[0-9] | 匹配任何数字,类似于[1234567890] |
[a-z] | 匹配任何小写字母 |
[A-Z] | 匹配任何大写字母 |
[a-zA-Z0-9] | 匹配任何字母及数字 |
[^0-9] | 匹配除了数字外的字符 |
\ | 将特殊字符无效化 |
2.正则表达式修饰符
修饰符 | 描述 |
---|---|
re.l | 使匹配对大小写不敏感 |
re.L | 做本地化识别(locale-aware)匹配 |
re.M | 多行匹配,影响^和¥ |
re.S | 使.匹配包括换行符在内的所有字符 |
re.U | 根据Unicode字符集解析字符,影响\w,\W,\b,\B |
re.X | 该标志通过给予更灵活的格式以便将正则表达式写的更易于理解 |
常见的正则表达式
校验数字的表达式
1、数字:^[0-9]*$
2、n位的数字:^\d{n}$
3、至少n位的数字:^\d{n,}$
4、m-n位的数字:^\d{m,n}$
5、零和非零开头的数字:^(0|[1-9][0-9]*)$
6、非零开头的最多带两位小数的数字:^([1-9][0-9]*)+(.[0-9]{1,2})?$
7、带1-2位小数的正数或负数:^(\-)?\d+(\.\d{1,2})?$
8、正数、负数、和小数:^(\-|\+)?\d+(\.\d+)?$
9、有两位小数的正实数:^[0-9]+(.[0-9]{2})?$
10、有1~3位小数的正实数:^[0-9]+(.[0-9]{1,3})?$
11、非零的正整数:^[1-9]\d*$ 或 ^([1-9][0-9]*){1,3}$ 或 ^\+?[1-9][0-9]*$
12、非零的负整数:^\-[1-9][]0-9"*$ 或 ^-[1-9]\d*$
13、非负整数:^\d+$ 或 ^[1-9]\d*|0$
14、非正整数:^-[1-9]\d*|0$ 或 ^((-\d+)|(0+))$
15、非负浮点数:^\d+(\.\d+)?$ 或 ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$
16、非正浮点数:^((-\d+(\.\d+)?)|(0+(\.0+)?))$ 或 ^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$
17、正浮点数:^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$ 或 ^(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*))$
18、负浮点数:^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$ 或 ^(-(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)))$
19、浮点数:^(-?\d+)(\.\d+)?$ 或 ^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$
校验字符的表达式
1、汉字:^[\u4e00-\u9fa5]{0,}$
2、英文和数字:^[A-Za-z0-9]+$ 或 ^[A-Za-z0-9]{4,40}$
3、长度为3-20的所有字符:^.{3,20}$
3、由26个英文字母组成的字符串:^[A-Za-z]+$
5、由26个大写英文字母组成的字符串:^[A-Z]+$
6、由26个小写英文字母组成的字符串:^[a-z]+$
7、由数字和26个英文字母组成的字符串:^[A-Za-z0-9]+$
8、由数字、26个英文字母或者下划线组成的字符串:^\w+$ 或 ^\w{3,20}$
9、中文、英文、数字包括下划线:^[\u4E00-\u9FA5A-Za-z0-9_]+$
10、中文、英文、数字但不包括下划线等符号:^[\u4E00-\u9FA5A-Za-z0-9]+$ 或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$
11、可以输入含有^%&',;=?$\"等字符:[^%&',;=?$\x22]+
12、禁止输入含有~的字符:[^~\x22]+
特殊需求表达式
1、Email地址:^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$
2、域名:[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?
3、 InternetURL:[a-zA-z]+://[^\s]* 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
4、手机号码:^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$
5、电话号码("XXX-XXXXXXX"、"XXXX-XXXXXXXX"、"XXX-XXXXXXX"、"XXX-XXXXXXXX"、"XXXXXXX"和"XXXXXXXX):^(\(\d{3,4}-)|\d{3.4}-)?\d{7,8}$
6、国内电话号码(0511-4405222、021-87888822):\d{3}-\d{8}|\d{4}-\d{7}
7、身份证号(15位、18位数字):^\d{15}|\d{18}$
8、短身份证号码(数字、字母x结尾):^([0-9]){7,18}(x|X)?$ 或 ^\d{8,18}|[0-9x]{8,18}|[0-9X]{8,18}?$
9、帐号是否合法(字母开头,允许5-16字节,允许字母数字下划线):^[a-zA-Z][a-zA-Z0-9_]{4,15}$
10、密码(以字母开头,长度在6~18之间,只能包含字母、数字和下划线):^[a-zA-Z]\w{5,17}$
11、强密码(必须包含大小写字母和数字的组合,不能使用特殊字符,长度在8-10之间):^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,10}$
12、日期格式:^\d{4}-\d{1,2}-\d{1,2}
13、一年的12个月(01~09和1~12):^(0?[1-9]|1[0-2])$
14 、一个月的31天(01~09和1~31):^((0?[1-9])|((1|2)[0-9])|30|31)$
15、钱的输入格式:
* 有四种钱的表示形式我们可以接受:"10000.00" 和 "10,000.00", 和没有 "分" 的 "10000" 和 "10,000":^[1-9][0-9]*$
* 这表示任意一个不以0开头的数字,但是,这也意味着一个字符"0"不通过,所以我们采用下面的形式:^(0|[1-9][0-9]*)$
* 一个0或者一个不以0开头的数字.我们还可以允许开头有一个负号:^(0|-?[1-9][0-9]*)$
* 这表示一个0或者一个可能为负的开头不为0的数字.让用户以0开头好了.把负号的也去掉,因为钱总不能是负的吧.下面我们要加的是说明可能的小数部分:^[0-9]+(.[0-9]+)?$
* 5.必须说明的是,小数点后面至少应该有1位数,所以"10."是不通过的,但是 "10" 和 "10.2" 是通过的:^[0-9]+(.[0-9]{2})?$
* 6.这样我们规定小数点后面必须有两位,如果你认为太苛刻了,可以这样:^[0-9]+(.[0-9]{1,2})?$
* 这样就允许用户只写一位小数.下面我们该考虑数字中的逗号了,我们可以这样:^[0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$
* 1到3个数字,后面跟着任意个 逗号+3个数字,逗号成为可选,而不是必须:^([0-9]+|[0-9]{1,3}(,[0-9]{3})*)(.[0-9]{1,2})?$
* 备注:这就是最终结果了,别忘了"+"可以用"*"替代如果你觉得空字符串也可
* 以接受的话(奇怪,为什么?)最后,别忘了在用函数时去掉去掉那个反斜杠,一般的错误都在这里
16、xml文件:^([a-zA-Z]+-?)+[a-zA-Z0-9]+\\.[x|X][m|M][l|L]$
17、中文字符的正则表达式:[\u4e00-\u9fa5]
18、双字节字符:[^\x00-\xff] (包括汉字在内,可以用来计算字符串的长度(一个双字节字符长度计2,ASCII字符计1))
19、空白行的正则表达式:\n\s*\r (可以用来删除空白行)
20、HTML标记的正则表达式:<(\S*?)[^>]*>.*?</\1>|<.*? /> (网上流传的版本太糟糕,上面这个也仅仅能部分,对于复杂的嵌套标记依旧无能为力)
21、首尾空白字符的正则表达式:^\s*|\s*$或(^\s*)|(\s*$) (可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等),非常有用的表达式)
22、 腾讯QQ号:[1-9][0-9]{4,} (腾讯QQ号从10000开始)
23、中国邮政编码:[1-9]\d{5}(?!\d) (中国邮政编码为6位数字)
24、IP地址:\d+\.\d+\.\d+\.\d+ (提取IP地址时有用)
25、 IP地址:((?:(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d)\\.){3}(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d))