正则总结

（1）re.match() 能够匹配出以xxx开头的字符串


import re
result = re.match('taobao','taobao.com')
print(result.group())
'taobao'

（2） python常用字符

几个简单测试：

全都可以匹配出来

import re
    ret = re.match(".","a")
    ret.group()
    ret = re.match(".","b")
    ret.group()
    ret = re.match(".","M")
    ret.group()

只能匹配一个：

import re
ret = re.match('.','abc')
print(ret.group())

不能匹配出来：

import re
ret = re.match('.','\nabc')
print(ret.group())

（3）匹配中文字符

匹配中文字符的正则表达式： [\u4e00-\u9fa5]

ret = re.match('[\u4e00-\u9fa5]+','为什么出不来')
print(ret.group())

（4）大小写区分

# 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")

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")

ret.group()

# 大小写h都可以的情况

ret = re.match("[hH]","hello Python")

ret.group()

ret = re.match("[hH]","Hello Python")

ret.group()

（5）匹配0到9

# 匹配0到9第一种写法

ret = re.match("[0123456789]","7Hello Python")

ret.group()

# 匹配0到9第二种写法

ret = re.match("[0-9]","7Hello Python")

ret.group()

（6）原始字符

Python中字符串前面加上 r 表示原生字符串

（7）表示数量

（8）需求：匹配出，变量名是否有效

import re

ret = re.match("[a-zA-Z_]+[\w_]*","name1")
ret.group()

ret = re.match("[a-zA-Z_]+[\w_]*","_name")
ret.group()

ret = re.match("[a-zA-Z_]+[\w_]*","2_name")
ret.group()

（9）匹配出，0到99之间的数字

import re

ret = re.match("[1-9]?[0-9]","7")
ret.group()

ret = re.match("[1-9]?[0-9]","33")
ret.group()

ret = re.match("[1-9]?[0-9]","09")
ret.group()

（10）表示边境

（11）匹配分组

（12）匹配出163、126、qq邮箱之间的数字

ret = re.match("\w{4,20}@163\.com", "[email protected]")
print(ret.group())

（13）匹配HTML

ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</html>")
print(ret.group())

（14）匹配出<html><h1>www.taobao.com</h1></html>

# 第一个可以
ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.taobao.com</h1></html>")
print(ret.group())
# 第二个不可以
ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.taobao.com</h2></html>")
print(ret.group())

re的高级用法

一，compile函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象

import re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(r'\d+')

Pattern 对象的一些常用方法主要有：

match 方法：从起始位置开始查找，一次匹配
search 方法：从任何位置开始查找，一次匹配
findall 方法：全部匹配，返回列表
finditer 方法：全部匹配，返回迭代器
split 方法：分割字符串，返回列表
sub 方法：替换

二，match 函数

match 方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。它的一般使用形式如下：

match(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 pos 和 endpos 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；

start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；

end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；

span([group]) 方法返回 (start(group), end(group))。

三，sarch

search 方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：

search(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

示例：

pattern = re.compile('\d+')
m = pattern.search('one12twothree34four')
print(m)
# 这里如果使用 match 方法则不匹配

四， findall

上面的 match 和 search 方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。

findall 方法的使用形式如下：

findall(string[, pos[, endpos]])

其中，string 是待匹配的字符串，pos 和 endpos 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

示例：

import re
pattern = re.compile(r'\d+')   # 查找数字

result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)

print(result1)
print(result2)


import re
#re模块提供一个方法叫compile模块，提供我们输入一个匹配的规则
#然后返回一个pattern实例，我们根据这个规则去匹配字符串
pattern = re.compile(r'\d+\.\d*')
#通过partten.findall()方法就能够全部匹配到我们得到的字符串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
#findall 以 列表形式 返回全部能匹配的子串给result
for item in result:
    print(item)

import re

ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")
print(ret)

'['9999', '7890', '12345']'

五， finditer

inditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。

示例：

import re
pattern = re.compile(r'\d+')
result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)
print(type(result_iter1))
print(type(result_iter2))

print('result1...')
for m1 in result_iter1:   # m1 是 Match 对象
    print('matching string: {}, position: {}'.format(m1.group(), m1.span()))

print('result2...')
for m2 in result_iter2:
    print('matching string: {}, position: {}'.format(m2.group(), m2.span()))

结果如下：

<class 'callable_iterator'>
<class 'callable_iterator'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)

六：sub (替换后面爬虫比较常用)

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：

如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；
如果 repl 是函数，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。

示例：

import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'
print(p.sub('hello world', s))
print(p.sub(r'\2 \1', s))
def func(m):
    return 'hi' + ' ' + m.group(2)
print(p.sub(func, s))
print(p.sub(func, s, 1))

第二个示例：

# # 需求：将匹配到的阅读次数加1
# # 方法1：
import re

ret = re.sub(r"\d+", '998', "python = 997")
print(ret)
# 方法2：
import re

def add(temp):
    strNum = temp.group()
    num = int(strNum) + 1
    return str(num)

ret = re.sub(r"\d+", add, "python = 997 java=100")
print(ret)

ret = re.sub(r"\d+", add, "python = 99")
print(ret)

七 split

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

其中，maxsplit 用于指定最大分割次数，不指定将全部分割。

示例：

import re
p = re.compile(r'[\s\,\;]+')
print(p.split('a,b;; c   d'))

八贪婪和非贪婪

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"

>>> re.match(".+(\d+-\d+-\d+-\d+)",s)

>>> re.match(".+?(\d+-\d+-\d+-\d+?)",s)

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。

猜你喜欢