正则表达式:
正则表达式与re的关系
正则表达式是一门独立的技术,适用于任何语言
但在python'中使用正则表达式将必须借助re模块
正则表达式就是一堆有语法的字符,用于匹配字符串中符合规则的内容
字符组:
在同一位置可能出现的各种字符组成了一个字符组,在正则表达式中用[]表示
字符分很多种,比如数字,字母,标点等等。[ ]里面是或的关系
[012345678] | 检查匹配字符里面所有符合字符组里面的字符的单个字符 |
[0-9] | 匹配0到9的数字 |
[a-z] | 匹配a到z的所有小写字母 |
[A-Z] | 匹配A到Z的所有大写字母 |
字符
元字符 | 匹配内容 |
. | 匹配除换行符以外的任意字符 |
\w | 匹配字母,数字,或下划线 |
\W | 匹配非字母,数字,下划线 |
\d | 匹配0到9的数字字符 |
\D | 匹配非0到9的字符 |
\s | 匹配任意的空白符 |
\S | 匹配任意的非空白符 |
\n | 匹配一个换行符 |
\t | 匹配一个制表符(tab键) |
^ | 匹配字符串的首位字符 |
$ | 匹配字符串的末尾 |
\b | 匹配一个单词的结尾 |
[....] | 匹配字符组里面的字符 |
[^....] | 匹配非字符组里面的字符 |
a|b | 匹配a或b注意把长的放前面 |
() | 匹配括号内的表达式,也表示一个组 |
量词
* | 重复0次或多次 |
+ | 重复一次或多次 |
? | 重复0次或1次 |
{n} | 重复n次 |
{n,} | 重复n到更多次 |
{n,m} | 重复n到m次 |
贪婪匹配与非贪婪匹配
贪婪匹配就是尽可能匹配多个
注:正则表达式默认就是贪婪模式(尽可能匹配多的)
非贪婪匹配:
就是尽可能匹配少的,要想将贪婪模式改为非贪婪模式只需要在量词后面加?就可以将贪婪模式改为非贪婪模式
转义符:
在正则表达式中,有很多有特殊意义的元字符比如\n和\s,如果要正则中匹配正常的\n就需要对\进行转义,变成'\\'
贪婪匹配:
正则 | 待匹配字符 | 匹配结果 | |
<.*> | <script>...<script> | 从头开始匹配然后倒退到第一个>结束 | |
<.*?> | <script>...<script> | 从头开始匹配到第一个>结束 |
常用的非贪婪匹配用法:
*? 重复任意次,但尽可能少重复
+?重复一次或更多次,但尽可能少重复
??重复0次或1次,但尽可能少重复
{n,m}? 重复n到m次,但尽可能少重复
{n,}? 重复n到更多次,但尽可能少重复
.*?的用法:
.是除换行符外任意字符
*是重复0次或多次
?是非贪婪模式
合在一起就是取尽量少的任意字符,一般不会这么单独写,它大多用在:.*?x
就是取前面任意长度的字符,直到第一个x出现
re模块下的常用方法:
import re
单个字符:
re.I不区分大小写的匹配 print(re.findall(r'a', 'abc123嘿嘿abcABC', flags=re.I)) # ['a', 'a', 'A'] a|b a或b单个字符 print(re.findall(r'a|b', 'abc123嘿嘿abcABC', flags=re.I)) # ['a', 'b', 'a', 'b', 'A', 'B'] [a,b] a或,或b单个字符 print(re.findall(r'[a,b]', 'abc,123嘿嘿abcABC', flags=re.I)) # ['a', 'b', ',', 'a', 'b', 'A', 'B'] [^ab]非a及非b的所有单个字符 print(re.findall(r'[^ab]', 'abc,123嘿嘿abcABC')) # ['c', ',', '1', '2', '3', '嘿', '嘿', 'c', 'A', 'B', 'C'] [a-z]所有单个小写字母 [A-Z]所有单个大写字母 [0-9]所有单个数字 print(re.findall(r'[a-z]', 'abc,123嘿嘿abcABC')) # ['a', 'b', 'c', 'a', 'b', 'c'] print(re.findall(r'[0-9]', 'abc,123嘿嘿abcABC')) # ['1', '2', '3'] 所有小写大写数字单个字符 print(re.findall(r'[a-z]|[A-Z]|[0-9]', 'abc,123嘿嘿abcABC')) # ['a', 'b', 'c', '1', '2', '3', 'a', 'b', 'c', 'A', 'B', 'C'] print(re.findall(r'[A-Za-z0-9]', 'abc,123嘿嘿[abcABC')) # ['a', 'b', 'c', '1', '2', '3', 'a', 'b', 'c', 'A', 'B', 'C'] .会匹配除\n以为的所有单个字符 print(re.findall(r'.', '*\_+=\n \r\t')) # ['*', '\\', '_', '+', '=', ' ', '\r', '\t'] re.S会让.能匹配所有单个字符 print(re.findall(r'.', '*\_+=\n \r\t', flags=re.S)) # ['*', '\\', '_', '+', '=', '\n', ' ', '\r', '\t'] # \d单个数字 == [0-9] print(re.findall(r'\d', 'abc,123嘿嘿[abcABC')) # ['1', '2', '3'] # \w == [A-Za-z0-9_] 将常见的汉字就理解为单个字母 print(re.findall(r'\w', 'abc,123嘿[_')) # ['a', 'b', 'c', '1', '2', '3', '嘿', '_'] # \s == [\f\n\r\t\v ] 单个空:空格、制表符、换页符等 print(re.findall(r'\s', '\f\n\r\t\v ')) # ['\x0c', '\n', '\r', '\t', '\x0b', ' '] \D就是\d的对立面:非数字的所有单个字符 \W就是\w的对立面 \S就是\s的对立面 print(re.findall(r'\D', 'abc,123嘿[_')) # ['a', 'b', 'c', ',', '嘿', '[', '_']
三个必须掌握的方法:
findall:匹配目标字符串并返回所有符合正则表达式的内容
search:依据正则规则匹配到第一个就不匹配了并返回匹配到的对象,然后group()就可以拿到内容,如果没有就返回none,并且不能group获取
match:只会匹配字符串的开头部分,然后返回,group获取,当字符串中的开头部分不符合正则规则时会返回一个none,和上面一样,另外这个一般是用来进行校验的。
其他方法:
ret = re.split('[ab]', 'abcd') # 先按'a'分割得到''和'bcd',在对''和'bcd'分别按'b'分割 print(ret) # ['', '', 'cd'] ret = re.sub('\d', 'H', 'eva3egon4yuan4', 1) # 将数字替换成'H',参数1表示只替换1个 print(ret) # evaHegon4yuan4 ret = re.subn('\d', 'H', 'eva3egon4yuan4') # 将数字替换成'H',返回元组(替换的结果,替换了多少次) print(ret) obj = re.compile('\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 import re ret = re.finditer('\d', 'ds3sy4784a') #finditer返回一个存放匹配结果的迭代器 print(ret) # <callable_iterator object at 0x10195f940> print(next(ret).group()) #查看第一个结果 print(next(ret).group()) #查看第二个结果 print([i.group() for i in ret]) #查看剩余的左右结果View Code
分组优先机制
import re res = re.search('^[1-9]\d{14}(\d{2}[0-9x])?$',110105199812067023) print(res.group()) print(res.group(1)) # 获取正则表达式括号阔起来分组的内容 print(res.group(2)) # search与match均支持获取分组内容的操作 跟正则无关是python机制 # 而针对findall它没有group取值的方法,所以它默认就是分组优先获取的结果 ret = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com') print(ret) # ['oldboy'] 这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可 ret = re.findall('www.(?:baidu|oldboy).com', 'www.oldboy.com') # ?:取消分组优先 print(ret) # ['www.oldboy.com']View Code
其他
import re ret = re.search("<(?P<tag_name>\w+)>\w+</(?P=tag_name)>","<h1>hello</h1>") #还可以在分组中利用?<name>的形式给分组起名字 #获取的匹配结果可以直接用group('名字')拿到对应的值 print(ret.group('tag_name')) #结果 :h1 print(ret.group()) #结果 :<h1>hello</h1> """ 注意?P=tag_name相当于引用之前正则表达式,并且匹配到的值必须和前面的正则表达式一模一样 """ # 匹配整数 ret=re.findall(r"\d+","1-2*(60+(-40.35/5)-(-4*3))") print(ret) #['1', '2', '60', '40', '35', '5', '4', '3'] ret=re.findall(r"\d+\.\d*|(\d+)","1-2*(60+(-40.35/5)-(-4*3))") print(ret) #['1', '2', '60', '', '5', '4', '3'] ret.remove("") print(ret) #['1', '2', '60', '5', '4', '3']View Code