python—正则表达式

正则表达式： 一种用来提取有用信息的表达式

原子：

原子是正则表达式的基本组成单位，每个正则表达式至少含有一个原子。
原子主要有以下几种类型：
a:普通字符
b:非打印字符
c:通用字符
d:原子表
对应模块 re

#普通字符 作为原子
string="dfsffsfsg"
pat="ffs"
rs=re.search(pat,string)
print(rs)
# 结果（<_sre.SRE_Match object; span=(3, 6), match='ffs'>）
# 非打印字符作为原子(\n,\t等）
string='''sfrgagr
fa'''#'''换行，若是"则需加/n
pat="\n"
rs=re.search(pat,string)
print(rs)
#通用字符 作为原子
'''
常见通用字符
\w 字母，数字，下划线
\W 除去字母，数字，下划线...
\d 十进制数字
\D 除十进制数字
\s 空白字符
\S 除空白字符
'''
string="dfsff12323242sfsg"
pat="\d\d\d"#匹配三位十进制数字
rs=re.search(pat,string)
print(rs)
#结果 <_sre.SRE_Match object; span=(5, 8), match='123'>
# 原子表[]里面给出几种选择，满足一个即可
# 若原子表为[^],则表示除了原子表中的元素
string="sasdffghuewo"
pat="sd[derf]f"#匹配三位十进制数字
rs=re.search(pat,string)
print(rs)
#结果：<_sre.SRE_Match object; span=(2, 6), match='sdff'>

元字符

元字符：正则表达式中具有某些特殊含义的字符

import re
#元字符
'''
常见元字符
. 任意字符（除换行）
^ 开始位置（后面所跟字符必须处于开始位置）
$ 结束位置
| 表示或
* 出现0/1/多次
? 出现0/1次
+ 出现1/多次
{n} 出现恰好n次
{n,}至少出现n次
{n,m} 至少n次，至多m次
'''
string="dfsff12323242sfsg"
pat="^dfs"#匹配开始位置的dfs
pat="df.*"
#结果 <_sre.SRE_Match object; span=(0, 17), match='dfsff12323242sfsg'.出现了多次
pat="fsf{2}"
#<_sre.SRE_Match object; span=(1, 5), match='fsff'>
rs=re.search(pat,string)
print(rs)

模式修正符

模式修正符：在不改变正则表达式的情况下，通过模式修正符改变正则表达式含义

import re
#模式修正符
'''
常见模式修正符
I 忽略大小写
M 多行匹配
S .包括换行
U unicode编码
L 本地化识别匹配
'''
string="Python"
pat="^pyt"#匹配开始位置的dfs
rs=re.search(pat,string,re.I)#模式修正符加在这里
print(rs)
#<_sre.SRE_Match object; span=(0, 3), match='Pyt'>

贪婪模式与懒惰模式

贪婪模式：尽可能多的匹配
懒惰模式： 尽可能少的匹配

import re
#贪婪模式和懒惰模式

string="P00ythosdny"
pat="^p.*y"#默认贪婪
#<_sre.SRE_Match object; span=(0, 11), match='P00ythosdny'>
pat1="p.*?y"#懒惰模式
#<_sre.SRE_Match object; span=(0, 4), match='P00y'>
rs=re.search(pat1,string,re.I)#模式修正符加在这里
print(rs)

正则表达式函数

1.match 从头开始匹配

#match
string="P00ythosdny"
pat="^p.*y"#在头
#<_sre.SRE_Match object; span=(0, 11), match='P00ythosdny'>
pat1="y.*y"#在中间
#None
rs=re.match(pat,string,re.I)#模式修正符加在这里
print(rs)

2. search 任意位置匹配
3. 全局匹配
   作用：可以匹配一个数据中多个符合条件
   格式

re.compile(正则表达式).findall(数据)

使用

import re
#全局匹配
string="P0ythophysdpjypddypny"
pat="p.*?y"#懒惰模式
rs=re.compile(pat).findall(string)
print(rs)
#['phy', 'pjy', 'pddy', 'pny']

实例

import re
#匹配网址
string='''<link ref="canonical"  href="https://www.csdn.net/">'''
pat="[a-zA-z]+://[^\s]*[.com|.net|.cn]"
rs=re.compile(pat).findall(string)
print(rs)
#['https://www.csdn.net']
#匹配座机号
string="dhadhj027-4667572683dsdhfsu0531-8300218djjfa010-67223456"
pat="\d{3}-\d{8}|\d{4}-\d{7}"
rs=re.compile(pat).findall(string)
print(rs)
#['027-46675726', '0531-8300218', '010-67223456']

附一个简单的爬虫程序

爬好哥博客的时间~~（感谢好哥支持！！！！！）

#简单网页
import re
import urllib.request
data=urllib.request.urlopen("https://zhengzihao.online/archive/").read().decode("utf-8")
pat='''<time datetime="(\d{4}-\d{2}-\d{2})">'''
rs=re.compile(pat).findall(data)
print(rs)

import urllib.request
import re
import os
url = "https://zhengzihao.online/tags/"  #获取url
pat='''" title="(.*?)">'''             #匹配规则
data = urllib.request.urlopen(url).read().decode("utf-8") #读取网页的内容并解码
relut = re.compile(pat).findall(data)       #会返回一个列表
file = open(r"D:/python/mj/散文1.txt", "w", encoding="utf-8") 
for i in relut:
    file.write(i)        
    file.write("\n")    #表示换行
file.close()