day17正则表达式

day17正则表达式

一、OS的补充

• 创建文件夹 ：在指定位置创建指定文件夹

os.mkdir('files/test')
#如果文件夹存在，会报错

• 判断指定文件夹或者文件是否存在

 os.path.exists('文件夹或者文件路径')

• 正确的创建文件或者文件夹方式

if not os.path.exists('files/test'):
    os.mkdir('files/test')

二、正则表达式的作用

• 正则表达式是一种可以让复杂的字符串问题变得简单的工具

• 写正则表达式的时候是用正则符号来描述字符串规则

• 案例：判断一个字符串是否是一个合法的手机号码

import re
tel=''
result=re.fullmatch(r'1[3-9]\d{9}',tel)

三、常用函数

1、re模块

• 提供了python中所有相关的正则函数

2、常用函数

• 1)、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
  • 匹配成功返回匹配对象，失败返回None

• 2)、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子串
  • 默认情况下返回一个列表，列表中的元素是所有匹配到的子串
  • 存在自动捕获匹配现象

• 3)、search(正则表达式，字符串)

  • 查找字符串中第一个满足正则表达式的字符串
  • 匹配成功返回匹配对象，失败返回None

• 4)、split(正则表达式，字符串，[N])

  • 将字符串中所有满足正则的前N个子串作为切割点进行切割

• 5)、sub(正则表达式，字符串1，字符串2, [N])

  • 将字符串2中所有满足正则的子串的替换成字符串1

• 6)、finditer(正则表达式，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，迭代器的元素是匹配对象

• 7)、match(正则表达式，字符串)

  • 匹配字符串开头

四、第一类符号：匹配字符

1、正则符号

1) 普通符号 - 在正则表达式中表示符号本身的符号

result=fullmatch(r'abc','abc')  # 正则表达式中要求字符串第一个字符是a第二个字符是b第三个字符数c

result=fullmatch(r'abc','abo')  #  不匹配  None

2) . - 匹配任意字符

result=fullmatch(r'.bc','abc')
print(result)    # <re.Match object; span=(0, 3), match='abc'>

3) \d - 匹配任意一个数字字符

result=fullmatch(r'\d\dabc','14abc')
print(result)

4) \s - 匹配任意一个空白字符

• 空白字符：空格(’ ')、换行(\n)、水平制表符（\t）

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

5) \w - 匹配任意一个数字、字母、下划线、中文

result=fullmatch(r'123\w','123中')
print(result) # <re.Match object; span=(0, 4), match='123中'>

result=fullmatch(r'123\w','123*')
print(result)  # None

6) \D、\S、\W - 分别和\d \s \w的功能相反

result=fullmatch(r'abc\Dabc','abc3abc')
print(result)   # None

result=fullmatch(r'abc\Dabc','abc和abc')
print(result)

7) [字符集] - 匹配在字符集中的任意一个字符

• [abc] - 匹配a或者b或者c
• [abc\d] - 匹配a或者b或者c或者数字 等价于[abc1234567890]
• [[1-8] - 匹配字符1到字符8中的任意一个字符
• [a-z] - 匹配任意一个小写字母
• [a-zA-Z] - 匹配任意字母字符
• [a-zA-Z\d] - 匹配任意字母字符或者数字
• [\u4e00-\u9fa5] - 匹配任意一个中文

result=fullmatch(r'abc[m9你]abc','abcmabc')
print(result)   # <re.Match object; span=(0, 7), match='abcmabc'>

result=fullmatch(r'abc[m9你]abc','abc0abc')
print(result)    # None

8) [ ^ 字符集 ] - 匹配不在字符集中的任意字符

• ^只有放在[]的·开头才有效，放在字符中间失效

result=fullmatch(r'abc[^123]abc','abc1abc')
print(result)  # None

五、第二类符号：匹配次数符号

匹配类符号匹配次数符号

1) * - 连续任意次数

• a* - a出现任意次数
• \d* - 任意多个任意数字
• [abc]* - 任意多个abc

result=fullmatch(r'abc\d*abc','abc12abc')
print(result)

2) + - 连续一次或者多次（至少一次）

result=fullmatch(r'abc\d+abc','abc12abc')
print(result)

3) ? - 连续0次或者1次

result=fullmatch(r'abc\d?abc','abc12abc')
print(result)  # None

4) {}

• {N} - N次
• {M,N} - M到N次
• {M,} - 至少M次
• {,N} - 最大N次

result=fullmatch(r'abc\d{3,9}abc','abc12abc')
print(result)   # None

• 练习1：写一个正则表达式可以匹配任意一个除了0的整数

result=fullmatch(r'[-+]?[1-9]\d*','400')
print(result)

• 练习2：使用正则提取豆瓣top250中每个电影的详情地址

url='https://movie.douban.com/top250'
import requests
from re import findall
header= {
    'user-agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36'
}
response=requests.get(url,headers=header)
result=response.text
result_1=findall(r'<a href="(https://movie.douban.com/subject/.+?/)" class="">',response.text)
# 写入大部分要求的字符串，得到的结果更准确
print(result_1)

六、第三类符号：分组和分支符号

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。括号括起来的一个部分就是一个分组
  • a. 整体操作时候需要分组
  • b. 重复匹配 - 在正则中可以通过\M来重复前面第M个分组匹配的结果
  • c. 捕获 - 提取分组匹配的结果（捕获分为自动捕获和手动捕获）
    findall是自动捕获

# a. 整体操作时候需要分组
# 23M  10K23K90G
result=fullmatch(r'(\d\d[A-Z])+','12S')

# b. 重复匹配 -   在正则中可以通过\M来重复前面第M个分组匹配的结果
# 90M90  10M10
result=fullmatch(r'(\d\d)[A-Z]\1','13K13')

result=fullmatch(r'(abc)([1-9]{2})\2\1','abc1212abc')
print(result)   # <re.Match object; span=(0, 10), match='abc1212abc'>

result=fullmatch(r'(abc)\1([1-9]{2})\2','abcabc1212')
print(result)    # <re.Match object; span=(0, 10), match='abcabc1212'>

c. 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

# c. 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
msg='拟合123hg453=哈哈90'
result=findall(r'[\u4e00-\u9fa5](\d+)',msg)
print(result)

• 匹配对象.gruop(N) - 手动获取匹配结果中指定分组匹配到的内容

# 提取身高
msg='年龄14，身高168cm'
result=search(r'年龄(\d+)，身高(\d+)',msg)
print(result.group(1),result.group(2))

2) 分支

• 正则1|正则2|正则3…先用正则1匹配，失败则用正则2匹配,…三给表达式中有一个匹配成功，结果就成功

result = fullmatch(r'\d{3}|[a-z]{2}', 'ab')
print(result)  # <re.Match object; span=(0, 2), match='ab'>

• 案例：‘abcZB’ ‘abc12’ ‘abc20’

result = fullmatch(r'abc\d{2}|abc[A-Z]{2}', 'abcZB')
print(result)
# 优化
result = fullmatch(r'abc(\d{2}|[A-Z]{2})', 'abcZB')
print(result)  # <re.Match object; span=(0, 5), match='abcZB'>

七、第四类符号：转义字符

• **转义字符：**在本身具有特殊功能或者特殊意义的符号前加 \ ,让特殊符号变成普通符号

• **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

  ​ []里面如果有[]需要在[]前加 \

result = fullmatch(r'\d\+\d', '4+6')
print(result)  # <re.Match object; span=(0, 3), match='4+6'>

result = fullmatch(r'\d[+]\d', '4+6')
print(result)  # <re.Match object; span=(0, 3), match='4+6'>

• **案例：**匹配小数23.56 96.3

result = fullmatch(r'[1-9]\d*[.]\d*', '322.0')
print(result)  # <re.Match object; span=(0, 5), match='322.0'>

八、补充

1、忽略大小写：r’(?i)正则表达式’

print(fullmatch(r'(?i)abc','Abc'))  # <re.Match object; span=(0, 3), match='Abc'>

2、单行匹配：(?s)

​ 多行匹配(默认)：. 不能和换行符匹配

​ 区别：单行匹配时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'>