用正则表达式要引入re模块  import re

元字符  

. ^  $  *  +  ?  {}  []  \  |  () 

[ ]

常用来指定一个字符集：[abc] ;  [a-z];[a-zA-Z0-9]

取不在区间范围的字符：[^abc]

import re
s = r‘t[oi]p‘

print re.findall(s,‘top tip tjp‘)

输出： [‘top‘, ‘tip‘]

import re
s = r‘t[^oi]p‘

print re.findall(s,‘top tip tjp‘)

输出：[‘tjp‘]

^ 表示从行首开头的一个，元字符内^不起作用，如[ ]中^表示不是这些字符

import re
s = r‘^hello‘

print re.findall(s,‘hello  aa hello‘)

输出[‘hello‘]

import re
s = r‘^hello‘

print re.findall(s,‘aa hello‘)

输出[]

$表示行尾

import re
s = r‘hello$‘

print re.findall(s,‘aa hello‘)

输出：[‘hello‘]

\ 斜杠

斜杠后面可以加不同的字符表示不同的特殊意义

也可以用于取消所有的元字符：\[ 或 \\

\d   匹配任何十进制数：它相当于[0-9]

\D  匹配任何非数字字符：它相当于[^0-9]

\s   匹配任何空白字符：它相当于[\t\n\r\f\v]

\S  匹配任何非空白字符：它相当于[^\t\n\r\f\v]

\w  匹配任何字母数字字符：它相当于[a-zA-Z0-9_]

\W 匹配任何非字母数字字符：它相当于[^a-zA-Z0-9_]

重复

a{n} 将前面的a重复n次

a{m,n} a最少重复m次最多重复n次

m不写为0 ，n不写相当于*

{0,}等同于*

{1,}等同于 +

{0，1}等同于?

例如：取电话号码

import re
s = r‘^0571-\d{1,8}‘#把\d 重复8次

print re.findall(s,‘0571-67777777‘)

*将前面的字符匹配0次到多次

import re
s = r‘^0571-2*‘

print re.findall(s,‘0571-22222222‘)

输出[‘0571-22222222‘]

+将前面的字符重复1次到多次

?将前面的字符重复0次到多次

贪婪模式跟非贪婪模式

import re

r=r‘ab+‘

print re.findall(r,‘abbbbbbbbbb‘)

输出：[‘abbbbbbbbbb‘]

贪婪模式匹配最多的

import re

r=r‘ab+?‘

print re.findall(r,‘abbbbbbbbbb‘)

输出：[‘ab‘]

非贪婪模式匹配最少的，就是在后面加?

正则常用函数

re.compile() 编译正则，加快速度

compile(pattern, flags=0)

import re
r=r‘\d{3,4}-?\d{8}‘

p_tel = re.compile(r)

print re.findall(p_tel,‘0571-67777777‘)
print  p_tel.findall(‘0571-61111111‘)

flags可以给编译加些属性，如不区分大小写

import re
r=r‘abcde‘

p = re.compile(r,re.I)

print  p.findall(‘aBCdE‘)

会输出：[‘aBCdE‘]

math() 决定re是否在字符串开始位置匹配 返回match对象

match对象中的方法：

search() 扫描字符串，找到re匹配的位置,返回match对象

findall()  找到re匹配的所有字串，并把它们作为一个列表返回

finditer() 找到re匹配的所有字串，并把它们作为一个迭代器返回

sub()  subn()替换

import re
r=r‘a...e‘

print  re.sub(r,‘12345‘,‘abcde‘)

输出：12345

split()  切割

import re
s=‘123+456-789‘

print  re.split(r‘[\+\-]‘,s)

输出：[‘123‘, ‘456‘, ‘789‘]

分组

(a|b)

import re
email = r‘\w+@\w+(\.com|\.cn)‘

print  re.search(email,‘billvsme@163.com‘).group()

输出：billvsme@163.com

import re
email = r‘\w+@\w+(\.com|\.cn)‘

print  re.findall(email,‘billvsme@163.com‘)

这样只会输出分组内地内容 ：[‘.com‘] ，在爬虫中这样很有用