re库:Python中正则表达式的处理与应用
Posted 李元静
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了re库:Python中正则表达式的处理与应用相关的知识,希望对你有一定的参考价值。
前言
re库就是我们常说的正则表达式库,它是用一种形式化语法来描述的文本匹配模式。通过该库,我们可以匹配特定字符串中的一些内容,比如爬取网页内容时,我们可以通过re库获取网页内容中的所有标签内容。
本篇将详细讲解re库的使用规则。
查找文本
比如,在一串字符串文本中,我们需要查找一个子字符串是否在该字符串中,并返回其具体的位置索引,该怎么做呢?
import re
content = "My name is Li Yuanjing"
pattern = "name"
match = re.search(pattern, content)
print(match.start())
print(match.end())
运行之后,效果如下:
这里,我们通过re.search()函数查找字符串pattern是否在content字符串中。可以看到,其返回了pattern字符串在content字符串的开始索引与结束索引位置。
多重匹配
不过,在平常的项目中,往往并不是仅仅只有一个匹配结果,可能有时候会有多个匹配结果出现。这个时候,我们需要使用re.findall()函数实现多重匹配。
import re
content = "asasssasasasaaasasasasssasasa"
pattern = "sa"
for match in re.findall(pattern, content):
print(match)
运行之后,效果如下:
这里,我们匹配了11个。不过这里是返回的match字符串,并不是和上面一个返回的一个Match示例,我现在想要获取所有多重匹配结果的索引位置怎么办?
import re
content = "asasssasasasaaasasasasssasasa"
pattern = "sa"
for match in re.finditer(pattern, content):
print(match.start(),match.end())
运行之后,效果如下:
使用re.finditer()函数返回的是一个迭代器,它会生成Match实例。
元字符(锚定码)
像上面的的一个字符串,里面有多个子字符串,通过匹配肯定会返回多个结果。现在,我们有一个需求,不管字符串里面有多个匹配结果,我们只需要第一个怎么操作呢?
当然,这里我们还是可以如上面代码一样先找到所有,再取第一个就行。但其实我们可以通过元字符一步就达成。首先,我们先来看看元字符有哪些?
元字符 | 含义 |
---|---|
. | 表示匹配任意一个字符(除了换行符) |
^ | 表示从字符串开头开始匹配 |
$ | 表示从字符串末尾开始匹配 |
* | 表示匹配某个字符匹配0到无穷次 |
+ | 表示匹配某个字符匹配1到无穷次 |
? | 表示匹配某个字符匹配0或1次 |
{} | 表示匹配某个字符匹配任意次 |
[] | 为或的意思,匹配其中任一项,其中里边除了 - \\和^没有特殊符号 |
\\A | 字符串开头 |
\\Z | 字符串末尾 |
\\b | 单词开头或末尾的空串 |
\\B | 不在单词开头或末尾的空串 |
下面,我们来实现从末尾匹配,只匹配一个结果。具体代码如下所示:
import re
content = "name123name321name213name321name123"
print(len(content))
for match in re.finditer("123$", content):
print(match.start(), match.end())
print(re.findall("name*", content))
print(re.findall("name+", content))
print(re.findall("name?", content))
print(re.findall("name{5}", content))
print(re.findall("name{1,5}", content))
print(re.findall("name[12]", content))
运行之后,效果如下:
转义码
除了元字符之外,我们还可以通过转义码匹配特定的字符,比如上面的元字符只能匹配后面有多少个字符,并不能区分数字或者字母等其他的内容。下面,我们来看看正则表达式中常用的转义码。
转义码 | 含义 |
---|---|
\\d | 匹配数字 |
\\D | 匹配非数字 |
\\s | 匹配空白符(制表符,空格,换行等) |
\\S | 匹配非空白符 |
\\w | 字母数字 |
\\W | 非字母数字 |
这里,我们来分别匹配看看效果,具体代码如下所示:
import re
content = "name 123"
print(re.findall("\\d", content))
print(re.findall("\\D", content))
print(re.findall("\\s", content))
print(re.findall("\\S", content))
print(re.findall("\\w", content))
print(re.findall("\\W", content))
#结合前面元字符,可以实现贪婪匹配
print(re.findall("\\w*", content))
运行之后,效果如下:
fullmatch()
在有些时候,我们并不是需要在字符串中找到某些规则的子集。而是判断某些字符串是否是邮箱,或者是电话等。这个时候,就需要整个字符串与模式匹配,re库提供了fullmatch()函数用于整个模式的匹配。
import re
content = "liyuanjinglyj@163.com"
pattern = "^[A-Za-z0-9\\u4e00-\\u9fa5]+@[a-zA-Z0-9_-]+(\\.[a-zA-Z0-9_-]+)+$"
s = re.fullmatch(pattern, content)
if s is None:
print("字符串不是邮箱")
else:
print("字符串是邮箱")
编译表达式
虽然说,通过上面的方式进行re库的使用可以完成字符串的匹配,但是对于程序频繁使用的表达式而言,编译它们会更加的高效。compile()函数就可以把一个表达式字符串转换为RegexObject使用。具体代码如下:
import re
content = "liyuanjinglyj@163.com"
pattern = "^[A-Za-z0-9\\u4e00-\\u9fa5]+@[a-zA-Z0-9_-]+(\\.[a-zA-Z0-9_-]+)+$"
regex = re.compile(pattern)
s = regex.search(content)
print(s[0])
组解析匹配
在上面的邮箱匹配中,我们可以用编译表达式判断邮箱字符串是否完全匹配。不过,现在假如我们有一个更大的需求,就是获取邮箱的域名,用户名。很显然上面的知识只能匹配整个字符串,或者分别创建两个pattern进行匹配。
这样往往非常耗时,还增加了代码的冗余程度。所以,我们需要掌握re库的组解析匹配。具体代码如下:
import re
content = "liyuanjinglyj@163.com"
pattern = "^([A-Za-z0-9\\u4e00-\\u9fa5]+)@([a-zA-Z0-9_-]+(\\.[a-zA-Z0-9_-]+)+)$"
regex = re.compile(pattern)
match = regex.search(content)
print(match.groups())
print("邮箱的用户名:", match.group(1))
print("邮箱的域名为:", match.group(2))
运行之后,效果如下:
可以看到,组匹配其实就是将匹配的规则字符串用“()”设定为一组。不过,需要注意的是,这里match.gourps(0)并不是上面显示的第一个字符串“liyuanjinglyj”,而是完整的字符串结果"liyuanjinglyj@163.com"。简而言之,match.gourps(0)是所有匹配的字符串,从match.gourps(1)开始才是用()分组的解析内容。
搜索选项
大小写无关匹配
通过上面的学习我们都知道了,只要在pattern中输入除规则用到的字符外,那么肯定就需要匹配这个字符,但其实re.compile()函数还有一个参数,设置该参数可以忽略掉一定的规则。比如,在pattern中输入大写的字母“T”,那么肯定的小写就不会匹配,但是博主就像匹配大写与小写,怎么办?
用前文的知识,我们可以用"[]"或进行操作。但学习了re.compile()函数的另一个参数,我们只需要设置该参数就行,具体代码如下:
import re
content = "This text"
pattern = r"T\\w+"
regex = re.compile(pattern, re.IGNORECASE)
match = regex.findall(content)
print(match)
运行之后,效果如下:
感兴趣的可以删除re.IGNORECASE参数,看看是不是只有This。
其他匹配规则
除了大小写匹配之外,还有re.compile()函数还提供了其他参数。如下表所示:
参数 | 含义 |
---|---|
re.IGNORECASE(re.I) | 忽略大小写匹配 |
re.MULTILINE(re.M) | 多行匹配(比如有末尾符号"$",它就会匹配每一行的末尾) |
re.ASCII(re.A) | 让\\w,\\W,\\b,\\B,\\d,\\D,\\s和\\S 执行ASCII-只匹配完整的Unicode匹配代替。这仅对Unicode模式有意义,而对于字节模式则忽略。 |
re.DOTALL(re.S) | 使’.‘特殊字符与任何字符都匹配,包括换行符;没有此标志,’.'将匹配除换行符以外的任何内容。 |
re.VERBOSE(re.X) | 注释会被忽略(比如为了让字符串可读性更高,程序员可以在字符串中标记注释,使用该参数可以忽略这些注释进行匹配,注释的规则与python代码注释一样) |
前后向断言
在网页爬虫中,假如我们需要匹配链接的标签,往往都是成对的出现才会进行匹配。所以,这个时候只有两个尖括号都出现或者都不出现时表达式才能匹配。
前向断言语法为:(?=pattern)
import re
contents = [
"aaa <a href='www.baidu.com'/>",
"a href='www.baidu.com'/",
"bbb <a href='www.baidu.com'/>",
"ccc <a href='www.baidu.com'",
]
pattern = r"(?=<).*(?<=>)"
for content in contents:
regex = re.compile(pattern)
match = regex.findall(content)
print(match)
运行之后,效果如下:
当然,前向断言还给我们提供了前向否定断言,其语法为(?!pattern)。代码如下:
import re
contents = [
"<a href='www.baidu.com'/>",
"a href='www.baidu.com'/",
"<a href='www.baidu.com'/>",
"ccc <a href='www.baidu.com'",
]
pattern = r"(?!<).*(?<!>)"
for content in contents:
regex = re.compile(pattern)
match = regex.findall(content)
print(match)
运行之后,效果如下:
这样就不需要匹配前后<>了。常用的断言如下表所示:
断言语法 | 含义 |
---|---|
(?=pattern ) | 后向断言。仅当子表达式 X 在 此位置的右侧匹配时才继续匹配。例如,/w+(?=/d) 与后跟数字的单词匹配,而不与该数字匹配。此构造不会回溯。 |
(?!pattern ) | 后向否定断言。仅当子表达式 X 不在 此位置的右侧匹配时才继续匹配。例如,例如,/w+(?!/d) 与后不跟数字的单词匹配,而不与该数字匹配 。 |
(?<=pattern ) | 前向断言。仅当子表达式 X 在 此位置的左侧匹配时才继续匹配。例如,(?<=19)99 与跟在 19 后面的 99 的实例匹配。此构造不会回溯。 |
(?<!pattern ) | 前向否定断言。仅当子表达式 X 不在此位置的左侧匹配时才继续匹配。例如,(?<!19)99 与不跟在 19 后面的 99 的实例匹配 |
自引用表达式
在前面,我们学习了分组的知识,但假如有两个分组完全一样,我们还写两遍不成?所以,正则表达式给我们提供了自引用表达式,让我们使用\\num编号引用前面的表达式。示例如下:
import re
content = "123.123.123.123"
pattern = r"(\\d{1,3})(.\\1){3}"
regex = re.compile(pattern)
match = regex.findall(content)
print(match)
运行之后,输出如下:
需要注意博主前面的提示,“两个分组完全一样”,不仅正则表达式一样,连内容也一样。才能使用自引用表达式,不然,仅仅只是正则表达式一样,内容不一样,也不会匹配。因为自引用表达式引用的是前面正则表达式匹配的内容,并不是引用的正则表达式。这一点需要额外注意,如果需要匹配完全相同的表达式,就需要使用前后断言进行处理。
sub(模式修改字符串)
在实际的文本处理中,我们有时候是提取符合条件的数据,有时候只是修改数据。如果修改数据,就需要用到sub()函数将一个模式的所有出现替换成另一个字符串。示例如下:
import re
content = "**blod** **li**"
pattern = r"\\*{2}(.*?)\\*{2}"
regex = re.compile(pattern)
match = regex.sub(r'<b>\\1<b>',content)
print(match)
运行之后,效果如下:
这样,我们就给字符串替换了标签。
以上是关于re库:Python中正则表达式的处理与应用的主要内容,如果未能解决你的问题,请参考以下文章
#yyds干货盘点# Python 内置模块之 re 库,一文搞定正则表达式初阶用法,滚雪球学 Python 第 13 篇