正则表达式

Posted 2022-01-28 木头㉿

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了正则表达式相关的知识，希望对你有一定的参考价值。

第七个特殊字符方括号[]

方括号表示要匹配指定的几个字符之一
例如

[abc] 可以匹配 a, b, 或者 c 里面的任意一个字符。等价于 [a-c] 。

[a-c] 中间的 - 表示一个范围从a 到 c。

如果你想匹配所有的小写字母，可以使用 [a-z], 如果你想匹配所有的阿拉伯数字，可以使用 [0-9]

如果在方括号中使用 ^ ，表示非方括号里面的字符集合。

一些元字符在方括号内失去了魔法，变得和普通字符一样了。比如[akm.] 匹配 a k m .里面任意一个字符。这里 . 点号在括号里面不在表示匹配任意字符了，而就是表示匹配 .点号这个字符

第八个特殊字符向上的箭头^

^ 表示匹配文本的开头位置。
假设有下面这段字符

01<华北 1青岛.cn-qingdao2>
02<华北 2北京.cn-beijing8>
03<华北 3张家口.cn-zhangjiakou3>
04<华北 5呼和浩特.cn-huhehaote2>
05<华北 6乌兰察布.cn-wulanchabu2>
06<华东 1杭州.cn-hangzhou8>
07<华东 2上海.cn-shanghai7>
08<华南 1><华南 2河源.cn-heyuan2>
09<华南 3广州.cn-guangzhou2>
10<西南 1成都.cn-chengdu2>

我们想提取每个服务器前面的编号，那么我们可以使用^\\d+

正则表达式可以设定单行模式和多行模式
如果是单行模式，表示匹配整个文本的开头位置。
如果是多行模式，表示匹配文本每行的开头位置。
如果我们的代码是这样的 p = re.compile(r’^\\d+’) 是单行模式

content= '''01<华北 1青岛.cn-qingdao2>
02<华北 2北京.cn-beijing8>
03<华北 3张家口.cn-zhangjiakou3>
04<华北 5呼和浩特.cn-huhehaote2>
05<华北 6乌兰察布.cn-wulanchabu2>
06<华东 1杭州.cn-hangzhou8>
07<华东 2上海.cn-shanghai7>
08<华南 1><华南 2河源.cn-heyuan2>
09<华南 3广州.cn-guangzhou2>
10<西南 1成都.cn-chengdu2>'''

import re
p = re.compile(r'^\\d+')
for one in p.findall(content):
    print(one)

运行结果：

改成多行模式只需要在正则表达式后面加上re.M，像这样p = re.compile(r’^\\d+’, re.M)
代码如下

content= '''01<华北 1青岛.cn-qingdao2>
02<华北 2北京.cn-beijing8>
03<华北 3张家口.cn-zhangjiakou3>
04<华北 5呼和浩特.cn-huhehaote2>
05<华北 6乌兰察布.cn-wulanchabu2>
06<华东 1杭州.cn-hangzhou8>
07<华东 2上海.cn-shanghai7>
08<华南 1><华南 2河源.cn-heyuan2>
09<华南 3广州.cn-guangzhou2>
10<西南 1成都.cn-chengdu2>'''

import re
p = re.compile(r'^\\d+', re.M)
for one in p.findall(content):
    print(one)

运行结果:

第九个特殊字符 $

$和^恰恰相反，$ 表示匹配文本的结尾位置。假如我们有以下文本，

01<华北 1青岛.cn-qingdao2
02<华北 2北京.cn-beijing8
03<华北 3张家口.cn-zhangjiakou3
04<华北 5呼和浩特.cn-huhehaote2
05<华北 6乌兰察布.cn-wulanchabu2
06<华东 1杭州.cn-hangzhou8
07<华东 2上海.cn-shanghai7
08<华南 1><华南 2河源.cn-heyuan2
09<华南 3广州.cn-guangzhou2
10<西南 1成都.cn-chengdu2

我们想提取每一个服务器最后的编号，就可以使用\\w+$

注意使用 $KaTeX parse error: Undefined control sequence: \\w at position 38: …= re.compile(r'\\̲w̲+$ ’, re.M) 就会开启多行模式，而p = re.compile(r’\\w+$’)则是单行模式.
多行模式开启：

content= '''01<华北 1青岛.cn-qingdao2
02<华北 2北京.cn-beijing8
03<华北 3张家口.cn-zhangjiakou3
04<华北 5呼和浩特.cn-huhehaote2
05<华北 6乌兰察布.cn-wulanchabu2
06<华东 1杭州.cn-hangzhou8
07<华东 2上海.cn-shanghai7
08<华南 1><华南 2河源.cn-heyuan2
09<华南 3广州.cn-guangzhou2
10<西南 1成都.cn-chengdu2'''

import re
p = re.compile(r'\\w+$', re.M)
for one in p.findall(content):
    print(one)

运行结果：

多行模式关闭，单行模式开启，代码如下

content= '''01<华北 1青岛.cn-qingdao2
02<华北 2北京.cn-beijing8
03<华北 3张家口.cn-zhangjiakou3
04<华北 5呼和浩特.cn-huhehaote2
05<华北 6乌兰察布.cn-wulanchabu2
06<华东 1杭州.cn-hangzhou8
07<华东 2上海.cn-shanghai7
08<华南 1><华南 2河源.cn-heyuan2
09<华南 3广州.cn-guangzhou2
10<西南 1成都.cn-chengdu2'''

import re
p = re.compile(r'\\w+$')
for one in p.findall(content):
    print(one)

运行结果如下，从最后一行的末尾开始

第十个特殊字符 | 竖线

竖线表示匹配其中之一。
华|北表示匹配“华”或者“北”

特别要注意的是，竖线在正则表达式的优先级是最低的，这就意味着，竖线隔开的部分是一个整体
例如华北|南匹配的是“华北”或者“南”，而不是“华北”或者“华南”，见下图

第十一个特殊字符括号

括号称之为正则表达式的组选择。
组就是把正则表达式匹配的内容里面其中的某些部分标记为某个组。
我们可以在正则表达式中标记多个组
为什么要有组的概念呢？因为我们往往需要提取已经匹配的内容里面的某些部分的信息
例如下面这段文本，我们想提取点号后面的内容，但是不包括点号。

‘<华北 1,青岛.cn-qingdao2>
<华北 2,北京.cn-beijing8>
<华北 3,张家口.cn-zhangjiakou3>
<华北 5,呼和浩特.cn-huhehaote2>
<华北 6,乌兰察布.cn-wulanchabu2>
<华东 1,杭州.cn-hangzhou8>
<华东 2,上海.cn-shanghai7>
<华南 1,><华南 2,河源.cn-heyuan2>
<华南 3,广州.cn-guangzhou2>
<西南 1,成都.cn-chengdu2>’

我们学\\来转义点号的时候学到，可以使用^.,来选取点号后面的内容，但是这会把点号也包含在内。因此我们可以使用()来将内容分组: ^(.), 这样就表示选出来的内容中 .* 是一个组，然后后面有逗号的又是一个组，见下图

有逗号的是一个组，没有逗号的又是一个组
在python中可以这样提取一个组里面的：

content= '''<华北 1,青岛.cn-qingdao2>
<华北 2,北京.cn-beijing8>
<华北 3,张家口.cn-zhangjiakou3>
<华北 5,呼和浩特.cn-huhehaote2>
<华北 6,乌兰察布.cn-wulanchabu2>
<华东 1,杭州.cn-hangzhou8>
<华东 2,上海.cn-shanghai7>
<华南 1,><华南 2,河源.cn-heyuan2>
<华南 3,广州.cn-guangzhou2>
<西南 1,成都.cn-chengdu2>
'''

import re
p = re.compile(r'^(.*),', re.M)
for one in p.findall(content):
    print(one)

运行结果如下

稍微复杂一点的
例如下面这段文字，我们想将地域，城市，和编号分别用组的概念表示出来，例如
<华北 1,青岛.cn-qingdao2>我们希望最后提取出来的组分别是“华北 1”， “青岛”，“qingdao2”这样

<华北 1,青岛.cn-qingdao2>
<华北 2,北京.cn-beijing8>
<华北 3,张家口.cn-zhangjiakou3>
<华北 5,呼和浩特.cn-huhehaote2>
<华北 6,乌兰察布.cn-wulanchabu2>
<华东 1,杭州.cn-hangzhou8>
<华东 2,上海.cn-shanghai7>
<华南 2,河源.cn-heyuan2>
<华南 3,广州.cn-guangzhou2>
<西南 1,成都.cn-chengdu2>

首先全部选取是 ^.,.+.cn-\\w+
^., 是逗号前面的，包含逗号，表示地域
.+ 是.cn前面的城市
\\w+ 是后面那串编号

接着我们开始拆分,分别在我们需要的信息两边加上括号 ^(.*),(.+).cn-(\\w+)

可以看到我们成功的将原来的信息分成了三组

在Python中，如果直接使用这个正则表达式，返回的结果是一个元祖，如下

content= '''<华北 1,青岛.cn-qingdao2>
<华北 2,北京.cn-beijing8>
<华北 3,张家口.cn-zhangjiakou3>
<华北 5,呼和浩特.cn-huhehaote2>
<华北 6,乌兰察布.cn-wulanchabu2>
<华东 1,杭州.cn-hangzhou8>
<华东 2,上海.cn-shanghai7>
<华南 2,河源.cn-heyuan2>
<华南 3,广州.cn-guangzhou2>
<西南 1,成都.cn-chengdu2>
'''

import re
p = re.compile(r'^(.*),(.+)\\.cn-(\\w+)', re.M)
for one in p.findall(content):
    print(one)

运行结果

在python中，当有多个分组的时候，我们可以使用 (?P<分组名>…) 这样的格式，给每个分组命名。
这样做的好处是，更方便后续的代码提取每个分组里面的内容
代码如下

content= '''<华北 1,青岛.cn-qingdao2>
<华北 2,北京.cn-beijing8>
<华北 3,张家口.cn-zhangjiakou3>
<华北 5,呼和浩特.cn-huhehaote2>
<华北 6,乌兰察布.cn-wulanchabu2>
<华东 1,杭州.cn-hangzhou8>
<华东 2,上海.cn-shanghai7>
<华南 2,河源.cn-heyuan2>
<华南 3,广州.cn-guangzhou2>
<西南 1,成都.cn-chengdu2>
'''

import re
p = re.compile(r'^(?P<地域>.*),(?P<城市>.+)\\.cn-(?P<编号>\\w+)', re.M)
for match in p.finditer(content):
    print(match.group('地域'))
    #print(match.group('城市'))
    #print(match.group('编号'))

运行结果如下

让点匹配换行

前面说过, 点是不匹配换行符的，可是有时候，特征字符串就是跨行的，比如要找出下面文字中所有的职位名称

<div class="el">
        <p class="t1">           
            <span>
                <a>Python开发工程师</a>
            </span>
        </p>
        <span class="t2">南京</span>
        <span class="t3">1.5-2万/月</span>
</div>
<div class="el">
        <p class="t1">
            <span>
                <a>java开发工程师</a>
            </span>
		</p>
        <span class="t2">苏州</span>
        <span class="t3">1.5-2/月</span>
</div>

如果在regular expression测试界面使用正则表达式class=“t1”>.\\s+\\s+(.+)< 才可以匹配的我们需要的内容。
如果你直接使用表达式 class=“t1”>.?(.*?) 会发现匹配不上，因为 t1 和之间有两个空行。
这时你需要点也匹配换行符，可以使用 DOTALL 参数
代码如下

content = '''
<div class="el">
        <p class="t1">           
            <span>
                <a>Python开发工程师</a>
            </span>
        </p>
        <span class="t2">南京</span>
        <span class="t3">1.5-2万/月</span>
</div>
<div class="el">
        <p class="t1">
            <span>
                <a>java开发工程师</a>
            </span>
      </p>
        <span class="t2">苏州</span>
        <span class="t3">1.5-2/月</span>
</div>
'''
import re
p = re.compile(r'class=\\"t1\\">.*?<a>(.*?)</a>', re.DOTALL)
for one in  p.findall(content):
    print(one)