1. Introducción al módulo re
1.1 re regularización
Regular Expression
, expresión regular, una regla gramatical que usa expresiones para unir cadenas. Lo que
capturamos en la página web 页面源代码
es esencialmente uno 超长的字符串
. Si desea extraer contenido de ella, es 正则
perfecto para usar.
-
Ventajas habituales:
-
速度快
,效率高
,准确性高
Sintaxis regular:
-
Utilice metacaracteres para permutaciones y combinaciones
匹配字符串
.- Pruebe expresiones regulares en línea: https://tool.oschina.net/regex/
- metacaracteres:
固定含义
tener特殊符号
Metacaracteres comunes
. √匹配除换行符以外的任意字符, 未来在python的re模块中是一个坑.
\w √匹配字母或数字或下划线.
\s 匹配任意的空白符
\d √匹配数字
\n 匹配一个换行符
\t 匹配一个制表符
^ 匹配字符串的开始
$ 匹配字符串的结尾
\W 匹配非字母或数字或下划线
\D 匹配非数字
\S 匹配非空白符
a|b 匹配字符a或字符b
() √匹配括号内的表达式,也表示一个组
[...] √匹配字符组中的字符
[^...] 匹配除了字符组中字符的所有字符
Cuantificador: controla el número de apariciones del metacarácter anterior.
* 重复零次或更多次
+ 重复一次或更多次
? 重复零次或一次
{n} 重复n次
{n,} 重复n次或更多次
{n,m} 重复n到m次
Emparejamiento codicioso y emparejamiento perezoso (énfasis)
.* 贪婪匹配, 尽可能多的去匹配结果
.*? 惰性匹配, 尽可能少的去匹配结果 -> 回溯
Banderas generales (modificador
valor | ilustrar |
---|---|
re.I |
no distingue entre mayúsculas y minúsculas |
re.M |
Coincidencia de varias líneas, que afecta a ^ y $ |
re.S |
hacer coincidir todos los caracteres, incluidas las nuevas líneas |
1.2 re módulo
En el módulo re, solo necesitamos recordar las siguientes funciones para que las usemos.
1.2.1 función findall() (lista de retorno)
Escanea toda la cadena y devuelve una lista de cadenas de todos los resultados del patrón coincidente ( findall 查找所有. 返回list
)
parámetro
parámetro | ilustrar |
---|---|
pattern |
La expresión regular a coincidir (un patrón de cadenas) |
string |
cadena para que coincida |
flags |
Bit de identificación, utilizado para controlar el modo de coincidencia de la expresión regular. |
import re
lst = re.findall("m", "mai le fo len, mai ni mei!")
print(lst) # ['m', 'm', 'm']
lst = re.findall(r"\d+", "5点之前. 你要给我5000万")
print(lst) # ['5', '5000']
1.2.2 función de búsqueda ()
search
Coincidirá. Pero si coincide 第一个结果
, devolverá este resultado. Si no coincide, search
devolveráNone
import re
ret = re.search(r'\d', '5点之前. 你要给我5000万').group()
print(ret) # 5
1.2.3 función de coincidencia ()
match
solo de la cuerda开头进行匹配
ret = re.match('a', 'abc').group()
print(ret) # a
1.2.4 función buscador()
finditer
y findall
más o menos lo mismo Excepto que esto regresa 迭代器
(énfasis agregado)
it = re.finditer("m", "mai le fo len, mai ni mei!")
for el in it:
print(el.group()) # 依然需要分组
运行结果
1.2.5 función compilar ()
compile()
Se puede realizar una expresión regular larga 预加载
.后面的使用
obj = re.compile(r'\d{3}') # 将正则表达式编译成为一个 正则表达式对象, 规则要匹配的是3个数字
ret = obj.search('abc123eeee') # 正则表达式对象调用search, 参数为待匹配的字符串
print(ret.group()) # 结果: 123
1.2.6 El contenido normal se extrae por separado
Para obtener el contenido específico en la expresión regular por separado, puede dar 分组起名字
( ?P<name>xxx
)
s = """
<div class='西游记'><span id='10010'>中国联通</span></div>
"""
obj = re.compile(r"<span id='(?P<id>\d+)'>(?P<name>\w+)</span>", re.S)
result = obj.search(s)
print(result.group()) # 结果: <span id='10010'>中国联通</span>
print(result.group("id")) # 结果: 10010 # 获取id组的内容
print(result.group("name")) # 结果: 中国联通 # 获取name组的内容
Aquí podemos ver que podemos usar 使用分组
.para llevar a cabo aún más el contenido que coincide con la expresión regular 筛选
.
1.2.7 Reemplazo de cuerdas
Las expresiones regulares se usan solas 提取字符串中的内容
. También se pueden usar como字符串的替换
import re
r = re.split(r"\d+", "我今年19岁了, 你知道么, 19岁就已经很大了. 周杰伦20岁就得奖了")
print(r) # ['我今年', '岁了, 你知道么, ', '岁就已经很大了. 周杰伦', '岁就得奖了']
# 替换
r = re.sub(r"\d+", "18", "我今年19岁了, 你知道么, 19岁就已经很大了. 周杰伦20岁就得奖了")
print(r) # 我今年18岁了, 你知道么, 18岁就已经很大了. 周杰伦18岁就得奖了
Oh, normal, estas cosas son suficientes.
Dos, operación re práctica
2.1 La distinción entre codiciosos y no codiciosos
Podemos encontrar una regla de este tipo: .*?
significa la menor cantidad de coincidencias posible .*
y la mayor cantidad de coincidencias posible. Por el momento, recuerde esta regla primero. Se usará más adelante al escribir rastreadores.
str: 玩儿吃鸡游戏, 晚上一起上游戏, 干嘛呢? 打游戏啊
reg: 玩儿.*?游戏
此时匹配的是: 玩儿吃鸡游戏
reg: 玩儿.*游戏
此时匹配的是: 玩儿吃鸡游戏, 晚上一起上游戏, 干嘛呢? 打游戏
str: <div>胡辣汤</div>
reg: <.*>
结果: <div>胡辣汤</div>
str: <div>胡辣汤</div>
reg: <.*?>
结果:
<div>
</div>
str: <div class="abc"><div>胡辣汤</div><div>饭团</div></div>
reg: <div>.*?</div>
结果:
<div>胡辣汤</div>
<div>饭团</div>
2.2 Ejercicios con metacaracteres
[] 原子表
[a] # 匹配a
[ab] # 匹配a或者b
[abc] # 匹配a或者b或者c
[123] # 匹配1或者2或者3
[0-9] # 匹配任意一位数字
[a-z] # 匹配任意一位小写字母
[A-Z] # 匹配任意一位大写字母
[a-zA-Z] # 匹配任意大小写字母
[][]
[abc][0-9] 匹配a或者b或者c和任意一个数字->a1,b2,c3...
匹配手机号码
1[3-9][0-9]{
9} # {9} 代表前面的[0-9]9位 共11位
^ 限制开头 $ 限制结尾 一般用于组合
^1[3-9][0-9]{
9}$ # 完全匹配 匹配的字符串中,必须完全符合才算匹配成功
13134534681 # 符合
131345346812 # 不符合 因为多了一位
{
} 代表前面正则匹配的n词
[a-z]{
2} # 匹配两位小写字母
[a-z][a-z] # 等同于上方
{
m,n} m-n之间的
[a-z]{
2,5} # 匹配2-5个小写字母
{
m,} #至少匹配m个
[a-z]{
2,} # 至少匹配2个小写字母
?可有可无
-?[1-9] # 匹配正负1-9
. 匹配换行符以外的任意字符(不单独使用)
a b c # 都能匹配
* 代表前面的0次或多次(不单独使用)
.*?组合 非贪婪匹配 (重要!!!) #匹配换行符以外的任意字符任意次
.*组合 贪婪匹配 #匹配换行符以外的任意字符任意次
+ 匹配一次到多次{
1,}
.+? 非贪婪匹配 #匹配换行符以外的任意字符至少1次
| 代表或
[a-z]|[0-9] # 匹配字母或数字、
() #1. 作为一个单元 2. 作为子存储
2.3 ejercicios re modificadores
import re
# re.I 是匹配队大小写不敏感
# re.M 多行匹配,影响到^和$
# re.S 使.匹配包括换行符在内的所有字符
mystr = """
<a href="http://www.baidu.com">百度</a>
<A href="http://www.baidu.com">百度</A>
<a href='http://www.sogou.com'>搜狗</a>
<a href="http://www.tengxun.com">腾
讯</a>
"""
# 首先匹配所有的正常a链接->小写
# print(re.findall("<a href=\"http://www.baidu.com\">百度</a>")) #内部用转义
print(re.findall('<a href="(.*?)">(.*?)</a>', mystr)) # 外部用单引号
# 可以发现,只能匹配出一个结果来
# >>>[('http://www.baidu.com', '百度')]
# re.I 不区分大小写
print(re.findall('<a href="(.*?)">(.*?)</a>', mystr, re.I))
# 可以发现,匹配出两个结果来了
# >>>[('http://www.baidu.com', '百度'), ('http://www.baidu.com', '百度')]
# 匹配大小写 多行匹配 可以匹配换行符 中间用|隔开
print(re.findall('<a href="(.*?)">(.*?)</a>', mystr, re.I | re.M | re.S))
# >>> [('http://www.baidu.com', '百度'), ('http://www.baidu.com', '百度'), ('http://www.tengxun.com', '腾\n讯')]
# 可以发现匹配出来了三个结果,但唯独少一个搜狗,因为搜狗是用单引号扩起来的
# 在上面的案例基础上匹配单双引号 [] 表示或,表示双引号或者单引号
print(re.findall('<a href=[\'"](.*?)[\'"]>(.*?)</a>', mystr, re.I | re.M | re.S))
# >>> 匹配出来了全部结果
print('*'*20)
myStr = """asadasdd1\nbsadasdd2\ncsadasdd3"""
print(re.findall('^[a-z]',myStr)) # 匹配以字母开头
# >>> ['a']
print(re.findall('\A[a-z]',myStr)) # 匹配以字母开头 (整段)
# >>> ['a']
print(re.findall('\d$',myStr)) # 匹配以数字结尾
# >>> ['3']
print(re.findall('\d\Z',myStr)) # 匹配以数字结尾 (整段)
# >>> ['3']
# re.M
print(re.findall('^[a-z]',myStr, flags=re.M))
# >>> ['a', 'b', 'c']
print(re.findall('\A[a-z]',myStr, flags=re.M))
# >>> ['a']
print(re.findall('\d$',myStr, flags=re.M))
# >>> ['1', '2', '3']
print(re.findall('\d\Z',myStr, flags=re.M))
# >>> ['3']
2.4 ejercicio match_search_findall
import re
# r"" 专业写正则,没有转义的烦恼
# search re.search(正则,字符串) 会进行匹配. 但是如果匹配到了第一个结果. 就会返回这个结果. 如果匹配不上search返回的则是None
print('search')
print()
print(re.search(r'a', '123456')) # None
# group() 若匹配成功则返回匹配数值
print(re.search(r'[a-z]','123c423').group()) # c
print(re.search(r'[a-z][a-z]', '12321a21')) # None
print(re.search(r'1[3-9][0-9]{9}','1345643256543').group()) # 13456432565
print(re.search(r'1[3-9][0-9]{9}','b1345643256543b').group()) # 13456432565
print(re.search(r'^1[3-9][0-9]{9}','x1345643256543')) # None
print('-'*30)
print('match')
print()
# match 只匹配一次,必须从第一位开始,类似于search('^')
print(re.match(r'a','a213131').group()) # a
print(re.match(r'a','213131')) # None
print(re.match(r'[a-z]','123x456')) # None
print(re.match(r'1[1-3][0-9]{9}','b1345643256543b')) # None
print(re.match(r'1[1-3][0-9]{9}','1345643256543b').group()) # 1345643256543
print('-'*30)
print('findall')
# 查找所有 结果返回列表
print(re.findall(r"\d+","我有1000万,不给你话,给你1块钱拿去")) # ['1000', '1']
3. Acerca del resumen
.*?
-> coincidencia perezosa /*
-> coincidencia codiciosasearce()
Función: escanea toda la cadena y devuelve第一个
la coincidencia exitosa del patrón y regresa si la coincidencia fallaNone
findall()函数
Escanea toda la cadena y devuelve una lista de cadenas de todos los resultados de patrones coincidentes.match()函数
Si la coincidencia tiene éxito, se devolverá el objeto coincidente
; si la coincidencia falla, se devolverá el objetoNone
re
El mejor常用
lugar -> Obtener uno de js en html部分代码
(en cadena)