re模块的主要方法:
-
re.compile: 编译一个正则表达式模式(pattern)
-
re.match: 从头开始匹配, 使用group()方法可以获取第一个匹配值
-
re.search: 用包含方式匹配,使用group()方法可以获取第一个匹配值
-
re.findall: 用包含方式匹配,把所有匹配到的字符放到以列表中的元素返回多个匹配值
-
re.sub: 匹配字符并替换
-
re.split: 以匹配到的字符当做列表分隔符,返回列表
Python正则表达式符号意义:
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a,b,c之外的字符。 |
* | 匹配0个或多个的表达式。 |
+ | 匹配1个或多个的表达式。 |
? | 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 |
{ n} | 精确匹配 n 个前面表达式。例如, o{2} 能匹配 “food” 中的两个 o。 |
{ n,} | 匹配 n 个前面表达式。例如, o{2,} 能匹配 "foooood"中的所有 o。“o{1,}” 等价于 “o+”。“o{0,}” 则等价于 “o*”。 |
{ 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 |
() | 匹配括号内的表达式,也表示一个组 |
\w | 匹配字母数字及下划线 |
\W | 匹配非字母数字及下划线 |
\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 |
\d | 匹配任意数字,等价于 [0-9]. |
\D | 匹配任意非数字 |
\A | 匹配字符串开始 |
\Z | 匹配字符串结束,如果是存在换行,只匹配到换行前的结束字符串。 |
\z | 匹配字符串结束 |
re.compile方法:
compile 函数用于编译正则表达式,生成一个正则表达式( Pattern )对象,供 match() 和 search() 这两个函数使用。其函数包含两个参数,一个pattern,一个可选参数flags。
re.compile(pattern[, flags])
参数:
pattern : 一个字符串形式的正则表达式
flags : 可选,表示匹配模式,比如忽略大小写,多行模式等,具体参数为:
-
re.I 忽略大小写
-
re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
-
re.M 多行模式
-
re.S 即为 . 并且包括换行符在内的任意字符(. 不包括换行符)
-
re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
-
re.X 为了增加可读性,忽略空格和 # 后面的注释
re.match和re.search方法:
re.match和re.search方法类似,唯一不同的是re.match从头匹配,re.search可以从字符串中任一位置匹配。如果有匹配对象match返回,可以使用match.group()提取匹配字符串。
re.match(pattern, string)
re.search(pattern, string)
re.findall方法:
findall方法使用方法有两种,一种是pattern.findall(string) ,另一种是re.findall(pattern, string)。re.findall方法经常用于从爬虫爬来的文本中提取有用信息。
例1: pattern.findall(string) - 提取年份列表
>>> year_pattern = re.compile(r'\d{4}$') # 四位整数,匹配年份
>>> string1 = '我爱1998和1999年'
year_pattern.findall(string1)
['1998', '1999']
例2: re.findall(pattern, string) - 提取百度首页带有链接的关键词
import requests
response = requests.get('https://www.baidu.com')
urls = re.findall(r'<a.*>(.*)</a>', response.text,) # 获取带链接的关键词
for url in urls:
print(url)
re.sub方法:
re.sub的使用方法是re.sub(pattern, new_string, current_string)。
下例展示了如何把年份替换为****。该方法经常用于去除空格,无关字符或隐藏敏感字符。
>>>year_pattern = re.compile(r'\d{4}$') # 四位整数,匹配年份
>>>string1 = '我爱1998和1999年'
>>>replaced_str = re.sub(year_pattern, '****', string1)
print(replaced_str)
我爱****和****年
re.split方法:
re.split的使用方法是re.split(pattern, string),返回分割后的字符串列表。re.split方法并不完美,比如下例中分割后的字符串列表首尾都多了空格,需要手动去除。
>>> string1 = "1cat2dogs3cats4"
>>> import re
>>> list1 = re.split(r'\d+', string1)
>>> print(list1)
['', 'cat', 'dogs', 'cats', '']