Registre el proceso de Xiaobai aprendiendo el rastreador de Python (2)
Expresión regular
Caracteres especiales
^ h significa comenzar con h,. significa cualquier carácter, * significa cualquier número de veces
import re
line = 'hello 123'
#^h表示以h开头,.表示任意字符,*表示任意多次**
re_str = '^h.*'
if re.match(re_str, line):
print('匹配成功') # 输出:匹配成功
$ Significa carácter final
import re
line = 'hello 123'
re_str = '.*3$' # 前面可为任意多个任意字符,但结尾必须是3
if re.match(re_str, line):
print('匹配成功') # 输出:匹配成功
? Indica el modo no codicioso
import re
line = 'heeeello123'
re_str = '.*?(h.*?l).*' # 只要()中的子串
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1)) # 输出:heeeel
# 如果去掉?,则输出:heeeell
+ Significa al menos una vez
import re
line = 'heeeello123'
re_str = '.*(h.+?l).*'
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1)) #输出:heeeel
{2} significa que el carácter anterior aparece dos veces
import re
line = 'heeeello123'
re_str = '.*?(e.{2}?l).*' # 匹配的是e+任意2个字符+l
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1)) # 输出:eeel
| Significa o
import re
line = 'hello123'
re_str = '((hello|heeello)123)'
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1)) # 输出:python123
[] indica que el rango de valores se da para un solo carácter
import re
line = 'hello123'
re_str = "([jhk]ello123)" # [jhk]表示jhk中的任一个都可以
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1)) # 输出:hello123
[^] significa sin conjunto de caracteres
import re
line = 'hello123'
re_str = "([^j]ello123)" # [^j]表示不是j的都行
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1)) # 输出:hello123
\ s significa espacio \ S significa no espacio
import re
line = 'hello123 好' #字符串有空格
re_str = "(hello123\s好)" # 匹配上空格
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1)) #输出:hello123 好
[\ u4E00- \ u9FA5] significa caracteres chinos
import re
line = 'hello 北京大学'
re_str = ".*?([\u4E00-\u9FA5]+大学)"
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1)) # 输出:北京大学
Pequeño ejemplo para extraer la fecha de nacimiento.
import re
line = 'xxx出生于2000年6月1日'
line = 'xxx出生于2000/6/1'
line = 'xxx出生于2000-6-1'
line = 'xxx出生于2000-06-01'
line = 'xxx出生于2000-06'
re_str = ".*出生于(\d{4}[年/-]\d{1,2}([月/-]|\d{1,2}|$))"
match_obj = re.match(re_str, line)
if match_obj:
print(match_obj.group(1))
Funciones principales de la biblioteca Re:
función | Descripción |
---|---|
investigación() | Busque la primera posición de la expresión regular en una cadena y devuelva el objeto de coincidencia |
revancha() | Haga coincidir la expresión regular desde el principio de una cadena y devuelva el objeto de coincidencia |
re.findall () | Cadena de búsqueda, devuelve todas las cadenas coincidentes en el tipo de lista |
re.split () | Divida una cadena de acuerdo con el resultado de coincidencia de la expresión regular y devuelva el tipo de lista |
re.finditer () | Cadena de búsqueda, devuelve un tipo de iteración de resultado coincidente, cada elemento de iteración es un objeto de coincidencia |
re.sub () | Reemplazar todas las subcadenas que coincidan con las expresiones regulares en una cadena y devolver la cadena reemplazada |
Tipo de representación de expresión regular:
tipo de cadena sin formato (tipo de cadena nativa):
La biblioteca re utiliza el tipo de cadena sin formato para representar expresiones regulares, expresadas como: r'text '
Por ejemplo: r' [1-9] \ d {5} '
cadena sin formato se refiere a una cadena que no contiene caracteres de escape
El tipo de cuerda es más engorroso.
Por ejemplo: '[1-9] \ d {5}'; '\ d {3} - \ d {8} | \ d {4} - \ d {7}'
当正则表达式包含转义符时,建议使用raw string类型来表示正则表达式。
revancha()
import re
ss = 'I love you, do you?'
res = re.match(r'((\w)+(\W))+',ss)
print(res.group())
I love you,
investigación()
import re
ss = 'I love you, do you?'
res = re.search(r'(\w+)(,)',ss)
#print(res)
print(res.group(0))
print(res.group(1))
print(res.group(2))
you,
you
,
No demos ejemplos para los demás.
Aplicación simple de expresiones regulares
1. Busque el resultado de tiempo en el mensaje de ping
import re
ping_ss = 'Reply from 220.181.57.216:bytes=32 time=3ms TTL=47'
res = re.search(r'(time=)(\d+\w+)+(.)+TTL',ping_ss)
print(res.group(2))
3ms
2. Se utiliza para analizar páginas web.
import re,requests
r = requests.get('https://www.baidu.com').content.decode('utf-8')
print(r)
pt = re.compile('(\<title\>)([\S\s]+)(\<\/title\>)')
print(pt.search(r).group(2))
百度一下,你就知道
Además, puede utilizar la "r" antes de la cuerda para mejorar la eficiencia.
pt = re.compile(r'(</title>)([\S\s]+)(</title>)')