一、查找开头子串与结尾子串
正则表达式中以^字符表示待查找子串位于字符串开头位置,以$字符表示待查找子串位于字符串结尾位置,示例代码如下:
import re
s1 = "100_string_1"
pattern01 = r'^\d+'#查找以一位及以上数字开头的子串
pattern02 = r'\d+$'#查找以一位及以上数字结尾的子串
match01 = re.search(pattern01, s1)
sub_str01 = match01.group()#输出如下
'100'
start01 = match01.start()#输出如下
0
end01 = match01.end()#输出如下
3
match02 = re.search(pattern02, s1)
sub_str02 = match02.group()#输出如下
'1'
start02 = match02.start()#输出如下
11
end02 = match02.end()#输出如下
12
正则表达式以[^]表示匹配不包含在方括号内的字符,注意不要发生混淆。
二、分组匹配替换字符串
当查找的子串模式由多个模式组成,而想要对其中的某个模式子串进行局部替换或对模式子串进行重新排列,就需要进行分组匹配替换,示例代码如下:
import re
s1 = "100_string_1"
pattern01 = r'^(\d+)_([a-z]+)_(\d+)'
s2 = re.sub(pattern01, r'\2_\1_\3', s1)#重新排列,输出如下
'string_100_1'
s3 = re.sub(pattern01, r'\1_\2_a', s1)#对第三个模式子串进行替换,输出如下
'100_string_a'
三、查找嵌套字符串
使用正则表达式查找字符串时,会尽可能多地查找符合条件的字符串,即使用贪婪模式进行匹配,在这种模式背景下如果待查找的子串内部包含子串的部分特征模式,就无法单纯地通过正则表达式进行查找。
例如在html文件中查找一个div标签,目标div标签以< div class=‘class01’>开始,以< /div>结束,但其内部可能嵌套着其他div标签,实现查找的示例代码如下:
import re
def search_position_of_nested_DivElement(html_txt):
dest_substr = '<div class="class01">'
dest_substr_startIndex = html_txt.find(dest_substr)
dest_substr_endIndex = -1
if dest_substr_startIndex > -1:
pos = dest_substr_startIndex + len(dest_substr)
pattern_startDiv = re.compile(r'<div[^<>]*>')
pattern_endDiv = re.compile(r'</div>')
startDiv_index = 0
endDiv_index = 0
startDiv_match = None
endDiv_match = None
while True:
startDiv_match = pattern_startDiv.search(html_txt, pos)
endDiv_match = pattern_endDiv.search(html_txt, pos)
if not startDiv_match:
if not endDiv_match:
break
else:
dest_substr_endIndex = endDiv_match.end()
break
if not endDiv_match:
break
startDiv_index = startDiv_match.start()
endDiv_index = endDiv_match.start()
if startDiv_index < endDiv_index:
pos = endDiv_match.end()
else:
dest_substr_endIndex = endDiv_match.end()
break
if dest_substr_endIndex > -1:
return (True, dest_substr_startIndex, dest_substr_endIndex)
else:
return (True, -1, -1)
else:
return (False, -1, -1)
上述代码的实现原理是逐一搜索排除目标div包含的其他div标签,最终找到目标div标签的结尾标识,而后返回目标的开始和结尾位置。