Python中的正则表达式、re模块

224 阅读 0 评论 148 点赞

我是靠谱客的博主有魅力汽车，这篇文章主要介绍Python中的正则表达式、re模块，现在分享给大家，希望可以做个参考。

简介：

正则表达式是对字符串操作的⼀种逻辑公式，由普通字符和元字符组成。英⽂全称: Regular Expression. 简称 regex或者re。我们写好的正则表达式，也可以去 http://tool.chinaz.com/regex/进⾏在线测试。

字符组

字符组很简单⽤[]括起来. 在[]中出现的内容会被匹配. 例如:[abc] 匹配a或b或c

如果字符组中的内容过多还可以使⽤- , 例如: [a-z] 匹配a到z之间的所有字⺟ [0-9]

匹配所有阿拉伯数字。

简单元字符

基本的元字符. 我们常⽤有下面这些：

. 匹配除换⾏符以外的任意字符

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

b 匹配⼀个单词的结尾

^ 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

量词

⼀次性匹配多个字符,我们就要⽤到量词。

* 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

惰性匹配和贪婪匹配

在量词中的*, +,{} 都属于贪婪匹配. 就是尽可能多的匹配到结果.

import re
content='Hello 1234567 Python_This is a Very Good Language'
result=re.match('^He.*(d+).*Language$',content)
print(result)
print(result.group(1))
》》运行结果
'Hello 1234567 Python_This is a Very Good Language'
7
这里数字只有7,1234567被.*贪婪匹配了，d+只匹配了7，所以应给用.*?

使⽤.*? 则是尽可能的少匹配. 表⽰惰性匹配

分组

在正则中使⽤()进⾏分组. 比如. 我们要匹配⼀个相对复杂的⾝份证号. ⾝份证号分

成两种. 老的⾝份证号有15位. 新的⾝份证号有18位. 并且新的⾝份证号结尾有可能是x.

给出以下正则:

^[1-9]d{13,16}[0-9x]$
^[1-9]d{14}(d{2}[0-9x])?$
^([1-9]d{16}[0-9x]|[1-9]d{14})$

转义

在正则表达式中, 有很多有特殊意义的是元字符, ⽐如n和s等,如果要在正则中匹

配正常的"n"⽽不是"换⾏符"就需要对""进⾏转义, 变成'\'.在python中, ⽆论是正则表达式, 还

是待匹配的内容, 都是以字符串的形式出现的, 在字符串中也有特殊的含义, 本身还需要转

义. 所以如果匹配⼀次"n", 字符串中要写成'\n', 那么正则⾥就要写成"\\n",这样就太麻烦了.

这个时候我们就⽤到了r'n'这个概念, 此时的正则是r'\n'就可以了。

re模块

re模块是python提供的⼀套关于处理正则表达式的模块. 核⼼功能有四个:

1. findall 查找所有. 返回列表list

import re
str0="my sister puzzles me and causes me anxiety."
lst = re.findall("m", "str0")
print(lst)
 
# ['m', 'm', 'm']
lst1 = re.findall(r"d+", "5点之前. 买彩票可能中500万")
print(lst1)

# ['5', '500']

search 是扫描整个字符串进⾏匹配，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，返回的则是None

ret = re.search(r'd', '如果5点之前，买彩票没中500万，那就下午在买吧！').group()
print(ret)
# 5

match 只能从字符串的开头进⾏匹配

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

finditer 和findall差不多. 只不过这时返回的是迭代器

import re
it = re.finditer("m", "She pushed past me, almost knocking me over")
for el in it:
    print(el.group())
# 依然需要分组

其他操作

ret = re.split('[ab]', 'qwerafjbcd')

# 先按'a'分割得到'qwer'和'fjbcd',在 对'qwer'和'fjbcd'分别按'b'分割

print(ret)
# ['qwer', 'fj', 'cd']
ret = re.sub(r"d+", "_good_", "javascript121java121python121c++121c")
# 把字符串中 的数字换成__good__
print(ret)
# "javascript_good_java_good_python_good_c++_good_c"
ret = re.subn(r"d+", "_good_", "javascript121java121python121c++121c")
# 将数字替 换成'__good__'，返回元组(替换的结果,替换了多少次)
print(ret)
# ('avascript_good_java_good_python_good_c++_good_c', 4)
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

注意重点:

obj = re.compile(r'(?P<id>d+)(?P<name>e+)')
# 从正则表达式匹配的内容每个组起名 字
ret = obj.search('abc123eeee')

print(ret.group())
# 结果: 123eeee

# 获取id组的内容
print(ret.group("id"))
# 结果: 123


print(ret.group("name"))
# 结果: eeee

撤掉数字证书代码：



split注意项：
ret=re.split("d+","eva3exec4yield")
print(ret) 
#结果 ： ['eva', 'exec', 'yield']
ret=re.split("(d+)","eva3exec4yied")
print(ret) 
#结果 ： ['eva', '3', 'exec', '4', 'yield']
#在匹配部分加上（）之后所切出的结果是不同的，
#没有（）的没有保留所匹配的项，但是有（）的却能够保留了匹配的项，
#这个在某些需要保留匹配部分的使⽤过程是⾮常重要的。

这种优先级的问题有时候会帮我们完成很多功能. 我们来看⼀个比较复杂的例⼦

import re
from urllib.request import urlopen
import ssl
# 撤掉数字签名证书
ssl._create_default_https_context = ssl._create_unverified_context
def getPage(url):
    response = urlopen(url)
    return response.read().decode('utf-8')
def parsePage(s):
    ret = re.findall('<div class="item">.*?<div class="pic">.*?<em .*?>(?P<id>d+).*?<span class="title">(?P<title>.*?)</span>''.*?<span class="rating_num" .*?>(?P<rating_num>.*?)</span>.*?<span>(?P<comment_num>.*?)评价</span>', s, re.S)
    return ret
def main(num):
    url = 'https://movie.douban.com/top250?start=%s&filter=' % num
    response_html = getPage(url)
    ret = parsePage(response_html)
    print(ret)
count = 0
for i in range(10): # 10⻚ 
    main(count)
count += 25
# 此时利⽤的就是分组之后. 匹配成功后获取到的是分组后的结果. (?P<id>d+) 此时当前
# 组所匹配的数据就会被分组到id组内. 此时程序可以改写成:
import ssl
import re
from urllib.request import urlopen
# 撤掉数字签名证书
ssl._create_default_https_context = ssl._create_unverified_context
def getPage(url):
    response = urlopen(url)
    return response.read().decode('utf-8')
def parsePage(s):
    com = re.compile('<div class="item">.*?<div class="pic">.*?<em .*?>(?P<id>d+).*?<span class="title">(?P<title>.*?)</span>''.*?<span class="rating_num" .*?>(?P<rating_num>.*?)</span>.*?<span>(?P<comment_num>.*?)评价</span>', re.S)
    ret = com.finditer(s)
    for i in ret:
        yield {
        "id": i.group("id"),
        "title": i.group("title"),
        "rating_num": i.group("rating_num"),
        "comment_num": i.group("comment_num"),
}
def main(num):
    url = 'https://movie.douban.com/top250?start=%s&filter=' % num
    response_html = getPage(url)
    ret = parsePage(response_html)
# print(ret)
    f = open("move_info7", "a", encoding="utf8")
    for obj in ret:
        print(obj)
    data = str(obj)
    f.write(data + "n")
count = 0
for i in range(10):
    main(count) 
count += 25