1.了解正则表达式
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。
正则表达式是用来匹配字符串非常强大的工具,在其他编程语言中同样有正则表达式的概念,Python同样不例外,利用了正则表达式,我们想要从返回的页面内容提取出我们想要的内容就易如反掌了。
正则表达式的大致匹配过程是:
1.依次拿出表达式和文本中的字符比较,
2.如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。
3.如果表达式中有量词或边界,这个过程会稍微有一些不同。
2.正则表达式的语法规则
下面是Python中正则表达式的一些匹配规则,图片资料来自CSDN
![20130515113723855](https://i-blog.csdnimg.cn/blog_migrate/297ccb313ea5d43781c158556891e188.png)
3.正则表达式相关注解
(1)数量词的贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。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;非贪婪的则相反,总是尝试匹配尽可能少的字符。例如:正则表达式”ab*”如果用于查找”abbbc”,将找到”abbb”。而如果使用非贪婪的数量词”ab*?”,将找到”a”。
注:我们一般使用非贪婪模式来提取。
(2)反斜杠问题
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,这个例子中的正则表达式可以使用r”\\”表示。同样,匹配一个数字的”\\d”可以写成r”\d”。有了原生字符串,妈妈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勒。
4.Python Re模块
Python 自带了re模块,它提供了对正则表达式的支持。主要用到的方法列举如下
|
#返回pattern对象
re
.
compile
(
string
[
,
flag
]
)
#以下为匹配所用函数
re
.
match
(
pattern
,
string
[
,
flags
]
)
re
.
search
(
pattern
,
string
[
,
flags
]
)
re
.
split
(
pattern
,
string
[
,
maxsplit
]
)
re
.
findall
(
pattern
,
string
[
,
flags
]
)
re
.
finditer
(
pattern
,
string
[
,
flags
]
)
re
.
sub
(
pattern
,
repl
,
string
[
,
count
]
)
re
.
subn
(
pattern
,
repl
,
string
[
,
count
]
)
|
在介绍这几个方法之前,我们先来介绍一下pattern的概念,pattern可以理解为一个匹配模式,那么我们怎么获得这个匹配模式呢?很简单,我们需要利用re.compile方法就可以。例如
|
pattern
=
re
.
compile
(
r
'hello'
)
|
在参数中我们传入了原生字符串对象,通过compile方法编译生成一个pattern对象,然后我们利用这个对象来进行进一步的匹配。
另外大家可能注意到了另一个参数 flags,在这里解释一下这个参数的含义:
参数flag是匹配模式,取值可以使用按位或运算符’|’表示同时生效,比如re.I | re.M。
可选值有:
|
•
re
.
I
(全拼:
IGNORECASE
)
:
忽略大小写(括号内是完整写法,下同)
•
re
.
M
(全拼:
MULTILINE
)
:
多行模式,改变
'^'和
'$'的行为(参见上图)
•
re
.
S
(全拼:
DOTALL
)
:
点任意匹配模式,改变
'.'的行为
•
re
.
L
(全拼:
LOCALE
)
:
使预定字符类
\
w
\
W
\
b
\
B
\
s
\
S
取决于当前区域设定
•
re
.
U
(全拼:
UNICODE
)
:
使预定字符类
\
w
\
W
\
b
\
B
\
s
\
S
\
d
\
D
取决于
unicode定义的字符属性
•
re
.
X
(全拼:
VERBOSE
)
:
详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。
|
在刚才所说的另外几个方法例如 re.match 里我们就需要用到这个pattern了,下面我们一一介绍。
注:以下七个方法中的flags同样是代表匹配模式的意思,如果在pattern生成时已经指明了flags,那么在下面的方法中就不需要传入这个参数了。
(1)re.match(pattern, string[, flags])
这个方法将会从string(我们要匹配的字符串)的开头开始,尝试匹配pattern,一直向后匹配,如果遇到无法匹配的字符,立即返回None,如果匹配未结束已经到达string的末尾,也会返回None。两个结果均表示匹配失败,否则匹配pattern成功,同时匹配终止,不再对string向后匹配。下面我们通过一个例子理解一下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
|
__author__
=
'CQC'
# -*- coding: utf-8 -*-
#导入re模块
import
re
# 将正则表达式编译成Pattern对象,注意hello前面的r的意思是“原生字符串”
pattern
=
re
.
compile
(
r
'hello'
)
# 使用re.match匹配文本,获得匹配结果,无法匹配时将返回None
result1
=
re
.
match
(
pattern
,
'hello'
)
result2
=
re
.
match
(
pattern
,
'helloo CQC!'
)
result3
=
re
.
match
(
pattern
,
'helo CQC!'
)
result4
=
re
.
match
(
pattern
,
'hello CQC!'
)
#如果1匹配成功
if
result1
:
# 使用Match获得分组信息
print
result1
.
group
(
)
else
:
print
'1匹配失败!'
#如果2匹配成功
if
result2
:
# 使用Match获得分组信息
print
result2
.
group
(
)
else
:
print
'2匹配失败!'
#如果3匹配成功
if
result3
:
# 使用Match获得分组信息
print
result3
.
group
(
)
else
:
print
'3匹配失败!'
#如果4匹配成功
if
result4
:
# 使用Match获得分组信息
print
result4
.
group
(
)
else
:
print
'4匹配失败!'
|
运行结果
匹配分析
1.第一个匹配,pattern正则表达式为’hello’,我们匹配的目标字符串string也为hello,从头至尾完全匹配,匹配成功。
2.第二个匹配,string为helloo CQC,从string头开始匹配pattern完全可以匹配,pattern匹配结束,同时匹配终止,后面的o CQC不再匹配,返回匹配成功的信息。
3.第三个匹配,string为helo CQC,从string头开始匹配pattern,发现到 ‘o’ 时无法完成匹配,匹配终止,返回None
4.第四个匹配,同第二个匹配原理,即使遇到了空格符也不会受影响。
我们还看到最后打印出了result.group(),这个是什么意思呢?下面我们说一下关于match对象的的属性和方法
Match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用Match提供的可读属性或方法来获取这些信息。
属性:
1.string: 匹配时使用的文本。
2.re: 匹配时使用的Pattern对象。
3.pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4.endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5.lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。
6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。
方法:
1.group([group1, …]):
获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。
2.groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。
3.groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。
4.start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。
5.end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组,但不能使用编号0。\id与\g是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符’0’,只能使用\g0。
下面我们用一个例子来体会一下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
# -*- coding: utf-8 -*-
#一个简单的match实例
import
re
# 匹配如下内容:单词+空格+单词+任意字符
m
=
re
.
match
(
r
'(\w+) (\w+)(?P<sign>.*)'
,
'hello world!'
)
print
"m.string:"
,
m
.
string
print
"m.re:"
,
m
.
re
print
"m.pos:"
,
m
.
pos
print
"m.endpos:"
,
m
.
endpos
print
"m.lastindex:"
,
m
.
lastindex
print
"m.lastgroup:"
,
m
.
lastgroup
print
"m.group():"
,
m
.
group
(
)
print
"m.group(1,2):"
,
m
.
group
(
1
,
2
)
print
"m.groups():"
,
m
.
groups
(
)
print
"m.groupdict():"
,
m
.
groupdict
(
)
print
"m.start(2):"
,
m
.
start
(
2
)
print
"m.end(2):"
,
m
.
end
(
2
)
print
"m.span(2):"
,
m
.
span
(
2
)
print
r
"m.expand(r'\g \g\g'):"
,
m
.
expand
(
r
'\2 \1\3'
)
### output ###
# m.string: hello world!
# m.re:
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): ('hello', 'world')
# m.groups(): ('hello', 'world', '!')
# m.groupdict(): {'sign': '!'}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r'\2 \1\3'): world hello!
|
(2)re.search(pattern, string[, flags])
search方法与match方法极其类似,区别在于match()函数只检测re是不是在string的开始位置匹配,search()会扫描整个string查找匹配,match()只有在0位置匹配成功的话才有返回,如果不是开始位置匹配成功的话,match()就返回None。同样,search方法的返回对象同样match()返回对象的方法和属性。我们用一个例子感受一下
1
2
3
4
5
6
7
8
9
10
11
12
13
|
#导入re模块
import
re
# 将正则表达式编译成Pattern对象
pattern
=
re
.
compile
(
r
'world'
)
# 使用search()查找匹配的子串,不存在能匹配的子串时将返回None
# 这个例子中使用match()无法成功匹配
match
=
re
.
search
(
pattern
,
'hello world!'
)
if
match
:
# 使用Match获得分组信息
print
match
.
group
(
)
### 输出 ###
# world
|
(3)re.split(pattern, string[, maxsplit])
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数,不指定将全部分割。我们通过下面的例子感受一下。
|
import
re
pattern
=
re
.
compile
(
r
'\d+'
)
print
re
.
split
(
pattern
,
'one1two2three3four4'
)
### 输出 ###
# ['one', 'two', 'three', 'four', '']
|
(4)re.findall(pattern, string[, flags])
搜索string,以列表形式返回全部能匹配的子串。我们通过这个例子来感受一下
|
import
re
pattern
=
re
.
compile
(
r
'\d+'
)
print
re
.
findall
(
pattern
,
'one1two2three3four4'
)
### 输出 ###
# ['1', '2', '3', '4']
|
(5)re.finditer(pattern, string[, flags])
搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。我们通过下面的例子来感受一下
|
import
re
pattern
=
re
.
compile
(
r
'\d+'
)
for
m
in
re
.
finditer
(
pattern
,
'one1two2three3four4'
)
:
print
m
.
group
(
)
,
### 输出 ###
# 1 2 3 4
|
(6)re.sub(pattern, repl, string[, count])
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时,可以使用\id或\g、\g引用分组,但不能使用编号0。
当repl是一个方法时,这个方法应当只接受一个参数(Match对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
count用于指定最多替换次数,不指定时全部替换。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
import
re
pattern
=
re
.
compile
(
r
'(\w+) (\w+)'
)
s
=
'i say, hello world!'
print
re
.
sub
(
pattern
,
r
'\2 \1'
,
s
)
def
func
(
m
)
:
return
m
.
group
(
1
)
.
title
(
)
+
' '
+
m
.
group
(
2
)
.
title
(
)
print
re
.
sub
(
pattern
,
func
,
s
)
### output ###
# say i, world hello!
# I Say, Hello World!
|
(7)re.subn(pattern, repl, string[, count])
返回 (sub(repl, string[, count]), 替换次数)。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
import
re
pattern
=
re
.
compile
(
r
'(\w+) (\w+)'
)
s
=
'i say, hello world!'
print
re
.
subn
(
pattern
,
r
'\2 \1'
,
s
)
def
func
(
m
)
:
return
m
.
group
(
1
)
.
title
(
)
+
' '
+
m
.
group
(
2
)
.
title
(
)
print
re
.
subn
(
pattern
,
func
,
s
)
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)
|
5.Python Re模块的另一种使用方式
在上面我们介绍了7个工具方法,例如match,search等等,不过调用方式都是 re.match,re.search的方式,其实还有另外一种调用方式,可以通过pattern.match,pattern.search调用,这样调用便不用将pattern作为第一个参数传入了,大家想怎样调用皆可。
函数API列表
|
match
(
string
[
,
pos
[
,
endpos
]
]
)
|
re
.
match
(
pattern
,
string
[
,
flags
]
)
search
(
string
[
,
pos
[
,
endpos
]
]
)
|
re
.
search
(
pattern
,
string
[
,
flags
]
)
split
(
string
[
,
maxsplit
]
)
|
re
.
split
(
pattern
,
string
[
,
maxsplit
]
)
findall
(
string
[
,
pos
[
,
endpos
]
]
)
|
re
.
findall
(
pattern
,
string
[
,
flags
]
)
finditer
(
string
[
,
pos
[
,
endpos
]
]
)
|
re
.
finditer
(
pattern
,
string
[
,
flags
]
)
sub
(
repl
,
string
[
,
count
]
)
|
re
.
sub
(
pattern
,
repl
,
string
[
,
count
]
)
subn
(
repl
,
string
[
,
count
]
)
|
re
.
sub
(
pattern
,
repl
,
string
[
,
count
]
)
|