正则表达式概述
思考
场景1:在一个文件中,查找出itcast开头的语句
测试文件
-
itcast hello python
-
itcast
c++
-
itheima ios
-
itheima php
场景:在一个文件中,找到含有itcast的语句
测试文件
-
hello
itcast
python
-
www
.itcast
.cn
c++
-
itheima
ios
-
itheima
php
场景:在一个文件中,找到邮箱为163或者126的所有邮件地址
re模块操作
在Python中需要通过正则表达式对字符串进行匹配的时候,可以使用一个模块,名字为re
1. re模块的使用过程
-
#coding=utf-8
-
-
# 导入re模块
-
import re
-
-
# 使用match方法进行匹配操作
-
result = re.match(正则表达式,要匹配的字符串)
-
-
# 如果上一步匹配到数据的话,可以使用group方法来提取数据
-
result.group()
2. re模块示例(匹配以itcast开头的语句)
-
#coding=utf-8
-
-
import re
-
-
result = re.match(
"itcast",
"itcast.cn")
-
-
result.group()
运行结果为:
itcast
3. 说明
- re.match() 能够匹配出以xxx开头的字符串
匹配单个字符
在上一小节中,了解到通过re模块能够完成使用正则表达式来匹配字符串
本小节,将要讲解正则表达式的单字符匹配
字符 | 功能 |
---|---|
. | 匹配任意1个字符(除了\n) |
[ ] | 匹配[ ]中列举的字符 |
\d | 匹配数字,即0-9 |
\D | 匹配非数字,即不是数字 |
\s | 匹配空白,即 空格,tab键 |
\S | 匹配非空白 |
\w | 匹配单词字符,即a-z、A-Z、0-9、_ |
\W | 匹配非单词字符 |
示例1: .
-
#coding=utf-8
-
-
import re
-
-
ret = re.match(
".",
"M")
-
print(ret.group())
-
-
ret = re.match(
"t.o",
"too")
-
print(ret.group())
-
-
ret = re.match(
"t.o",
"two")
-
print(ret.group())
运行结果:
M too two
示例2:[ ]
-
#coding=utf-8
-
-
import re
-
-
# 如果hello的首字符小写,那么正则表达式需要小写的h
-
ret = re.match(
"h",
"hello Python")
-
print(ret.group())
-
-
-
# 如果hello的首字符大写,那么正则表达式需要大写的H
-
ret = re.match(
"H",
"Hello Python")
-
print(ret.group())
-
-
# 大小写h都可以的情况
-
ret = re.match(
"[hH]",
"hello Python")
-
print(ret.group())
-
ret = re.match(
"[hH]",
"Hello Python")
-
print(ret.group())
-
ret = re.match(
"[hH]ello Python",
"Hello Python")
-
print(ret.group())
-
-
# 匹配0到9第一种写法
-
ret = re.match(
"[0123456789]Hello Python",
"7Hello Python")
-
print(ret.group())
-
-
# 匹配0到9第二种写法
-
ret = re.match(
"[0-9]Hello Python",
"7Hello Python")
-
print(ret.group())
-
-
ret = re.match(
"[0-35-9]Hello Python",
"7Hello Python")
-
print(ret.group())
-
-
# 下面这个正则不能够匹配到数字4,因此ret为None
-
ret = re.match(
"[0-35-9]Hello Python",
"4Hello Python")
-
# print(ret.group())
运行结果:
-
h
-
H
-
h
-
H
-
Hello Python
-
7Hello Python
-
7Hello Python
-
7Hello Python
示例3:\d
-
#coding=utf-8
-
-
import re
-
-
# 普通的匹配方式
-
ret = re.match(
"嫦娥1号",
"嫦娥1号发射成功")
-
print(ret.group())
-
-
ret = re.match(
"嫦娥2号",
"嫦娥2号发射成功")
-
print(ret.group())
-
-
ret = re.match(
"嫦娥3号",
"嫦娥3号发射成功")
-
print(ret.group())
-
-
# 使用\d进行匹配
-
ret = re.match(
"嫦娥\d号",
"嫦娥1号发射成功")
-
print(ret.group())
-
-
ret = re.match(
"嫦娥\d号",
"嫦娥2号发射成功")
-
print(ret.group())
-
-
ret = re.match(
"嫦娥\d号",
"嫦娥3号发射成功")
-
print(ret.group())
运行结果:
-
嫦娥
1号
-
嫦娥
2号
-
嫦娥
3号
-
嫦娥
1号
-
嫦娥
2号
-
嫦娥
3号
说明
- 其他的匹配符参见后面章节的讲解
匹配多个字符
匹配多个字符的相关格式
字符 功能 * 匹配前一个字符出现0次或者无限次,即可有可无 + 匹配前一个字符出现1次或者无限次,即至少有1次 ? 匹配前一个字符出现1次或者0次,即要么有1次,要么没有 {m} 匹配前一个字符出现m次 {m,n} 匹配前一个字符出现从m到n次 示例1:*
需求:匹配出,一个字符串第一个字母为大小字符,后面都是小写字母并且这些小写字母可有可无
-
#coding=utf-8
-
import re
-
-
ret = re.match( "[A-Z][a-z]*", "M")
-
print(ret.group())
-
-
ret = re.match( "[A-Z][a-z]*", "MnnM")
-
print(ret.group())
-
-
ret = re.match( "[A-Z][a-z]*", "Aabcdef")
-
print(ret.group())
运行结果:
-
M
-
Mnn
-
Aabcdef
示例2:+
需求:匹配出,变量名是否有效
-
#coding=utf-8
-
import re
-
-
names = [ "name1", "_name", "2_name", "__name__"]
-
-
for name in names:
-
ret = re.match( "[a-zA-Z_]+[\w]*",name)
-
if ret:
-
print( "变量名 %s 符合要求" % ret.group())
-
else:
-
print( "变量名 %s 非法" % name)
运行结果:
-
变量名 name1 符合要求
-
变量名 _name 符合要求
-
变量名 2_name 非法
-
变量名 __name__ 符合要求
示例3:?
需求:匹配出,0到99之间的数字
-
#coding=utf-8
-
import re
-
-
ret = re.match( "[1-9]?[0-9]", "7")
-
print(ret.group())
-
-
ret = re.match( "[1-9]?\d", "33")
-
print(ret.group())
-
-
ret = re.match( "[1-9]?\d", "09")
-
print(ret.group())
运行结果:
-
7
-
33
-
0 # 这个结果并不是想要的,利用$才能解决
示例4:{m}
需求:匹配出,8到20位的密码,可以是大小写英文字母、数字、下划线
-
#coding=utf-8
-
import re
-
-
ret = re.match( "[a-zA-Z0-9_]{6}", "12a3g45678")
-
print(ret.group())
-
-
ret = re.match( "[a-zA-Z0-9_]{8,20}", "1ad12f23s34455ff66")
-
print(ret.group())
运行结果:
-
-
12a3g4
-
1ad12f23s34455ff66
练一练
题目1:匹配出163的邮箱地址,且@符号之前有4到20位,例如hello@163.com
匹配开头结尾
字符 功能 ^ 匹配字符串开头 $ 匹配字符串结尾 示例1:$
需求:匹配163.com的邮箱地址
-
#coding=utf-8
-
-
import re
-
-
email_list = [ "xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]
-
-
for email in email_list:
-
ret = re.match( "[\w]{4,20}@163\.com", email)
-
if ret:
-
print( "%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
-
else:
-
print( "%s 不符合要求" % email)
运行结果:
-
xiaoWang@ 163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@ 163.com
-
xiaoWang@ 163.comheihei 是符合规定的邮件地址,匹配后的结果是:xiaoWang@ 163.com
-
.com.xiaowang@qq.com 不符合要求
完善后
-
email_list = [ "xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]
-
-
for email in email_list:
-
ret = re.match( "[\w]{4,20}@163\.com$", email)
-
if ret:
-
print( "%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
-
else:
-
print( "%s 不符合要求" % email)
运行结果:
-
xiaoWang@ 163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@ 163.com
-
xiaoWang@ 163.comheihei 不符合要求
-
.com.xiaowang@qq.com 不符合要求
匹配分组
字符 功能 | 匹配左右任意一个表达式 (ab) 将括号中字符作为一个分组 \num
引用分组num匹配到的字符串 (?P<name>)
分组起别名 (?P=name) 引用别名为name分组匹配到的字符串 示例1:|
需求:匹配出0-100之间的数字
-
#coding=utf-8
-
-
import re
-
-
ret = re.match( "[1-9]?\d", "8")
-
print(ret.group()) # 8
-
-
ret = re.match( "[1-9]?\d", "78")
-
print(ret.group()) # 78
-
-
# 不正确的情况
-
ret = re.match( "[1-9]?\d", "08")
-
print(ret.group()) # 0
-
-
# 修正之后的
-
ret = re.match( "[1-9]?\d$", "08")
-
if ret:
-
print(ret.group())
-
else:
-
print( "不在0-100之间")
-
-
# 添加|
-
ret = re.match( "[1-9]?\d$|100", "8")
-
print(ret.group()) # 8
-
-
ret = re.match( "[1-9]?\d$|100", "78")
-
print(ret.group()) # 78
-
-
ret = re.match( "[1-9]?\d$|100", "08")
-
# print(ret.group()) # 不是0-100之间
-
-
ret = re.match( "[1-9]?\d$|100", "100")
-
print(ret.group()) # 100
示例2:( )
需求:匹配出163、126、qq邮箱
-
#coding=utf-8
-
-
import re
-
-
ret = re.match( "\w{4,20}@163\.com", "test@163.com")
-
print(ret.group()) # test@163.com
-
-
ret = re.match( "\w{4,20}@(163|126|qq)\.com", "test@126.com")
-
print(ret.group()) # test@126.com
-
-
ret = re.match( "\w{4,20}@(163|126|qq)\.com", "test@qq.com")
-
print(ret.group()) # test@qq.com
-
-
ret = re.match( "\w{4,20}@(163|126|qq)\.com", "test@gmail.com")
-
if ret:
-
print(ret.group())
-
else:
-
print( "不是163、126、qq邮箱") # 不是163、126、qq邮箱
不是以4、7结尾的手机号码(11位)
-
import re
-
-
tels = [ "13100001234", "18912344321", "10086", "18800007777"]
-
-
for tel in tels:
-
ret = re.match( "1\d{9}[0-35-68-9]", tel)
-
if ret:
-
print(ret.group())
-
else:
-
print( "%s 不是想要的手机号" % tel)
提取区号和电话号码
-
>>> ret = re.match( "([^-]*)-(\d+)", "010-12345678")
-
>>> ret.group()
-
'010-12345678'
-
>>> ret.group( 1)
-
'010'
-
>>> ret.group( 2)
-
'12345678'
示例3:\
需求:匹配出
<html>hh</html>
-
#coding=utf-8
-
-
import re
-
-
# 能够完成对正确的字符串的匹配
-
ret = re.match( "<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</html>")
-
print(ret.group())
-
-
# 如果遇到非正常的html格式字符串,匹配出错
-
ret = re.match( "<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</htmlbalabala>")
-
print(ret.group())
-
-
# 正确的理解思路:如果在第一对<>中是什么,按理说在后面的那对<>中就应该是什么
-
-
# 通过引用分组中匹配到的数据即可,但是要注意是元字符串,即类似 r""这种格式
-
ret = re.match( r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</html>")
-
print(ret.group())
-
-
# 因为2对<>中的数据不一致,所以没有匹配出来
-
test_label = "<html>hh</htmlbalabala>"
-
ret = re.match( r"<([a-zA-Z]*)>\w*</\1>", test_label)
-
if ret:
-
print(ret.group())
-
else:
-
print( "%s 这是一对不正确的标签" % test_label)
运行结果:
-
<html>hh </html>
-
<html>hh </htmlbalabala>
-
<html>hh </html>
-
<html>hh </htmlbalabala> 这是一对不正确的标签
示例4:\number
需求:匹配出
<html><h1>www.itcast.cn</h1></html>
-
#coding=utf-8
-
-
import re
-
-
labels = [ "<html><h1>www.itcast.cn</h1></html>", "<html><h1>www.itcast.cn</h2></html>"]
-
-
for label in labels:
-
ret = re.match( r"<(\w*)><(\w*)>.*</\2></\1>", label)
-
if ret:
-
print( "%s 是符合要求的标签" % ret.group())
-
else:
-
print( "%s 不符合要求" % label)
运行结果:
-
<html> <h1>www.itcast.cn </h1> </html> 是符合要求的标签
-
<html> <h1>www.itcast.cn </h2> </html> 不符合要求
示例5:
(?P<name>)
(?P=name)
需求:匹配出
<html><h1>www.itcast.cn</h1></html>
-
#coding=utf-8
-
-
import re
-
-
ret = re.match( r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h1></html>")
-
ret.group()
-
-
ret = re.match( r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h2></html>")
-
ret.group()
注意:
(?P<name>)
和(?P=name)
中的字母p大写运行结果:
re模块的高级用法
search
需求:匹配出文章阅读的次数
-
#coding=utf-8
-
import re
-
-
ret = re.search( r"\d+", "阅读次数为 9999")
-
ret.group()
运行结果:
'9999'
findall
需求:统计出python、c、c++相应文章阅读的次数
-
#coding=utf-8
-
import re
-
-
ret = re.findall( r"\d+", "python = 9999, c = 7890, c++ = 12345")
-
print(ret)
运行结果:
['9999', '7890', '12345']
sub 将匹配到的数据进行替换
需求:将匹配到的阅读次数加1
方法1:
-
#coding=utf-8
-
import re
-
-
ret = re.sub( r"\d+", '998', "python = 997")
-
print(ret)
运行结果:
python = 998
方法2:
-
#coding=utf-8
-
import re
-
-
def add(temp):
-
strNum = temp.group()
-
num = int(strNum) + 1
-
return str(num)
-
-
ret = re.sub( r"\d+", add, "python = 997")
-
print(ret)
-
-
ret = re.sub( r"\d+", add, "python = 99")
-
print(ret)
运行结果:
-
python = 998
-
python = 100
练习
从下面的字符串中取出文本
-
<div>
-
<p>岗位职责: </p>
-
<p>完成推荐算法、数据统计、接口、后台等服务器端相关工作 </p>
-
<p> <br> </p>
-
<p>必备要求: </p>
-
<p>良好的自我驱动力和职业素养,工作积极主动、结果导向 </p>
-
<p> <br> </p>
-
<p>技术要求: </p>
-
<p>1、一年以上 Python 开发经验,掌握面向对象分析和设计,了解设计模式 </p>
-
<p>2、掌握HTTP协议,熟悉MVC、MVVM等概念以及相关WEB开发框架 </p>
-
<p>3、掌握关系数据库开发设计,掌握 SQL,熟练使用 MySQL/PostgreSQL 中的一种 <br> </p>
-
<p>4、掌握NoSQL、MQ,熟练使用对应技术解决方案 </p>
-
<p>5、熟悉 Javascript/CSS/HTML5,JQuery、React、Vue.js </p>
-
<p> <br> </p>
-
<p>加分项: </p>
-
<p>大数据,数理统计,机器学习,sklearn,高性能,大并发。 </p>
-
-
</div>
参考答案:
re.sub(r"<[^>]*>| |\n", "", test_str)
split 根据匹配进行切割字符串,并返回一个列表
需求:切割字符串“info:xiaoZhang 33 shandong”
-
#coding=utf-8
-
import re
-
-
ret = re.split( r":| ", "info:xiaoZhang 33 shandong")
-
print(ret)
运行结果:
['info', 'xiaoZhang', '33', 'shandong']
python贪婪和非贪婪
Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;
非贪婪则相反,总是尝试匹配尽可能少的字符。
在"*","?","+","{m,n}"后面加上?,使贪婪变成非贪婪。
-
>>> s= "This is a number 234-235-22-423"
-
>>> r=re.match( ".+(\d+-\d+-\d+-\d+)",s)
-
>>> r.group( 1)
-
'4-235-22-423'
-
>>> r=re.match( ".+?(\d+-\d+-\d+-\d+)",s)
-
>>> r.group( 1)
-
'234-235-22-423'
-
>>>
正则表达式模式中使用到通配字,那它在从左到右的顺序求值时,会尽量“抓取”满足匹配最长字符串,在我们上面的例子里面,“.+”会从字符串的启始处抓取满足模式的最长字符,其中包括我们想得到的第一个整型字段的中的大部分,“\d+”只需一位字符就可以匹配,所以它匹配了数字“4”,而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。
解决方式:非贪婪操作符“?”,这个操作符可以用在"*","+","?"的后面,要求正则匹配的越少越好。
-
>>> re.match( r"aa(\d+)", "aa2343ddd").group( 1)
-
'2343'
-
>>> re.match( r"aa(\d+?)", "aa2343ddd").group( 1)
-
'2'
-
>>> re.match( r"aa(\d+)ddd", "aa2343ddd").group( 1)
-
'2343'
-
>>> re.match( r"aa(\d+?)ddd", "aa2343ddd").group( 1)
-
'2343'
-
>>>
练一练
字符串为:
<img data-original="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" src="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" style="display: inline;">
请提取url地址
参考答案
re.search(r"https://.*?\.jpg", test_str)
r的作用
-
>>> mm = "c:\\a\\b\\c"
-
>>> mm
-
'c:\\a\\b\\c'
-
>>> print(mm)
-
c:\a\b\c
-
>>> re.match( "c:\\\\",mm).group()
-
'c:\\'
-
>>> ret = re.match( "c:\\\\",mm).group()
-
>>> print(ret)
-
c:\
-
>>> ret = re.match( "c:\\\\a",mm).group()
-
>>> print(ret)
-
c:\a
-
>>> ret = re.match( r"c:\\a",mm).group()
-
>>> print(ret)
-
c:\a
-
>>> ret = re.match( r"c:\a",mm).group()
-
Traceback (most recent call last):
-
File "<stdin>", line 1, in <module>
-
AttributeError: 'NoneType' object has no attribute 'group'
-
>>>
说明
Python中字符串前面加上 r 表示原生字符串
,与大多数编程语言相同,
正则表达式里使用"\"作为转义字符
,这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\",那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\":前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题,有了原生字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。
-
>>> ret = re.match( r"c:\\a",mm).group()
-
>>> print(ret)
-
c:\a
-