day17正则表达式

正则表达式作用:

通过写正则表达式来描述字符串规则

re模块中的函数	作用
fullmatch(正则表达式, 字符串)	判断整个字符串是否满足正则表达式所描述的规则	匹配失败结果都为None
findall(正则表达式, 字符串)	提取字符串中所有满足正则表达式的字符串
search(正则表达式, 字符串)	匹配字符串中第一个满足正则表达式的字符串
match(正则, 字符串)	匹配字符串开头
finditer(正则, 字符串)	获取字符串中所有满足正则的子串，返回一个迭代器，迭代器中的元素是匹配对象
splite(正则, 字符串, N)	将字符串中前N个满足正则的子串作为切割点进行切割
sub(正则, 字符串1, 字符串2)	将字符串2中所有满足正则的子串都替换成字符串1

注意:python中表达一个正则表达式一般使用r字符串

1.re模块 - 提供了python中所有和正则相关的函数

2.正则符号

正则符号	作用
普通符号	在正则表达式中表示符号本身
.	表示匹配任意一个字符
\d	匹配任意一个数字字符
\s	匹配任意一个空白字符
\w	匹配任意一个字母、数字、下划线或者中文
\D、\S、\W	与小写的\d \s \w意义相反
[abc]	匹配a或者b或者c
[abc\d]	匹配a或者b或者c或者任意数字
[1-5]	匹配1-5字符中的任意一个字符
[a-z]	匹配任意一个小写字母
[A-Z]	匹配任意一个大写字母
[a-zA-Z]	匹配任意一个字母
[a-z=%]	匹配任意一个小写字母或者=或者%
[\u4e00-\u9fa5]	匹配任意一个中文
[^字符集]	匹配不在字符集中的任意一个字符
\s补充:	空白字符：空格(’ ‘)、换行(’\n’)、水平制表符(‘\t’)

# 普通字符
result = fullmatch(r'abc', 'xbc')
print(result)			# None

#  .	匹配任意一个字符
result = fullmatch(r'.bc', ',bc')
print(result)		# 返回正则对象

# \d
result = fullmatch(r'\d\dabc', '89abc')
print(result)

# \s
result = fullmatch(r'123\sabc', '123\tabc')
print(result)

正则匹配次数符号	作用
*	任意次数（0次或者1次或者次数）
+	一次或者多次(至少1次)
?	0次或者1次
{}	{N}、{M,N}、{M，}、{，N}
{N}	N次
{M,N}	M到N次
{M,}	最少M次
{,N}	最多N次

# 练习：写一个正则表达式，可以匹配任意一个除了0的整数。
# 合法：233、+234、-7283、100、-2000
# 不合法：0、0002、2.23

result = fullmatch(r'[+-]?[1-9]\d*', '0123')
print(result)

贪婪和非贪婪模式

# 在匹配次数不确定的时候,如果有多种次数都可以匹配成功,贪婪取最多的那个凑数,非贪婪取最少的那个次数
"""
贪婪模式:+ 、?、 *、{M,N}、{,N}、{M,}
非贪婪模式：+? 、??、 *?、{M,N}?、{,N}?、{M,}?
"""

分组和分支

1)分组 - ()

# 正则表达式中可以用()将部分内容括起来表示一个整体;括号括起来的部分就是一个分组

a.整体操作的时候需要分组

# '23M23'  '89K10L'  '09H23P90Q33W'
result = fullmatch(r'(\d\d[A-Z])+', '09H23P90Q33W')
print(result)

b.重复匹配	-	正则中可以通过\M来重复它前面第M个分组匹配的结果


# '23M23' '90K90'  '78N78'
result = fullmatch(r'(\d\d)[A-Z]\1', '78N78')
print(result)

c.捕获	-	提取分组匹配到的结果(捕获分为自动捕获(findall)和手动捕获)
findall在正则表达式中有分组的时候,会自动提取正则匹配结果中分组匹配到的内容


# 匹配对象.group(N)	-	获取匹配结果中指定分组匹配到的内容
# 提取身高
message = '我是小明,今年23岁,身高180厘米,体重70kg'
result = search(r'身高(\d+)厘米, 体重(\d+)kg', message)
print(result)       # <re.Match object; span=(11, 25), match='身高180厘米，体重70kg'>
print(result.group())       # '身高180厘米，体重70kg'
print(result.group(1), result.group(2))      # 180 70

2)分支 - |

正则1|正则2|正则3|… - 先用正则1进行匹配,匹配成功直接成功;匹配失败用正则2进行匹配

result = fullmatch(r'abc\d\d'|'abc[A-Z]{2}', 'abc123')
print(result)

result = fullmatch(r'abc(\d\d|[A-Z]{2})', 'abcKS')
print(result)

转义符号

定义:在本身具有特殊功能或者特殊意义的符号前加 \ ,让特殊符号变普通符号

# 去掉()原本的分组功能
# (amd)
result = fullmatch(r'\([a-z]{3}\)', '(amd)'
print(result)

result = fullmatch(r'\d\d\.\d\d', '23.45')
print(result)

# 两位数相加之和
result = fullmatch(r'\d\+\d', '3+4')
print(eval(result.group()))
            

# 注意:单独存在有特殊意义的符号,在[]中它的功能会自动消失

例子:获取豆瓣top前250的电影名字

import requests
from re import findall

headers = {
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36'
}

response = requests.get('https://movie.douban.com/top250?start=0&filter=', headers=headers)

# print(response.text)

result = findall(r'<img width="100" alt="(.+?)"', response.text)  # +?非贪婪模式

print(result)

练习: 使用正则提取top250中每个电影的详情页地址

from re import findall
import requests

headers ={'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36'
}

resp = requests.get('https://movie.douban.com/top250?start=0&filter=', headers=headers)

result = findall(r' <a href=("https://movie.douban.com/subject/\d+/")>', resp.text)

print(result)

re模块

from re import fullmatch, findall, search, split, sub, finditer, match
"""
1)fullmatch(正则, 字符串)  -  用整个字符串和正则，匹配成功返回匹配对象，匹配失败返回None
2)findall(正则, 字符串)  -   获取字符串中所有满足正则的子串，默认返回一个列表，列表中的元素是所有匹配到的子串（存在自动捕获现象）
3)search(正则, 字符串)   -   匹配第一个满足正则的子串,匹配成功返回匹配对象，匹配失败返回None
4)split(正则, 字符串)    -   将字符串中所有满足正则的子串作为切割点进行切割
5)split(正则, 字符串, N)     -   将字符串中前N个满足正则的子串作为切割点进行切割
6)sub(正则, 字符串1, 字符串2)   -   将字符串2中所有满足正则的子串都替换成字符串1
7)sub(正则, 字符串1, 字符串2, N) 
8)finditer(正则, 字符串) -   获取字符串中所有满足正则的子串，返回一个迭代器，迭代器中的元素是匹配对象
9)match(正则, 字符串)  -  匹配字符串开头
"""

1)忽略大小写 - (?i)

print(fullmatch(r'(?i)abc', 'abc'))
print(fullmatch(r'(?i)abc', 'Abc'))
print(fullmatch(r'(?i)abc', 'ABc'))
print(fullmatch(r'(?i)abc', 'aBc'))

2)单行匹配 - (?s)

# 多行匹配(默认)：. 不能和换行符进行匹配
# 单行匹配：. 可以和换行符进行匹配
print(fullmatch(r'abc.123', 'abc\n123'))        # None
print(fullmatch(r'(?s)abc.123', 'abc\n123'))    # <re.Match object; span=(0, 7), match='abc\n123'>

msg = """
'name:"jshf2-
2ss技术"'
"""
result = findall(r'(?s)name:"(.+)"', msg)
print(result)