python-正则表达式
Posted LXL_1
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python-正则表达式相关的知识,希望对你有一定的参考价值。
什么是正则表达式
正则表达式是对字符串操作的一种逻辑公式,就是 事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符”,这个“规则字符” 来表达对字符的一种过滤逻辑。
正则并不是python独有的,其他语言也都有正则
python中的正则,封装了re模块
python正则的详细讲解
常用的匹配模式
\\w 匹配字母数字及下划线 \\W 匹配f非字母数字下划线 \\s 匹配任意空白字符,等价于[\\t\\n\\r\\f] \\S 匹配任意非空字符 \\d 匹配任意数字 \\D 匹配任意非数字 \\A 匹配字符串开始 \\Z 匹配字符串结束,如果存在换行,只匹配换行前的结束字符串 \\z 匹配字符串结束 \\G 匹配最后匹配完成的位置 \\n 匹配一个换行符 \\t 匹配一个制表符 ^ 匹配字符串的开头 $ 匹配字符串的末尾 . 匹配任意字符,除了换行符,re.DOTALL标记被指定时,则可以匹配包括换行符的任意字符 [....] 用来表示一组字符,单独列出:[amk]匹配a,m或k [^...] 不在[]中的字符:[^abc]匹配除了a,b,c之外的字符 * 匹配0个或多个的表达式 + 匹配1个或者多个的表达式 ? 匹配0个或1个由前面的正则表达式定义的片段,非贪婪方式 {n} 精确匹配n前面的表示 {m,m} 匹配n到m次由前面的正则表达式定义片段,贪婪模式 a|b 匹配a或者b () 匹配括号内的表达式,也表示一个组
re.match()
尝试从字符串的起始位置匹配一个模式,如果不是起始位置匹配的话,match()就会返回None
语法格式:
re.match(pattern,string,flags=0)
最常规的匹配
import re content= "hello 123 4567 World_This is a regex Demo" print(len(content)) result = re.match(\'^hello\\s\\d\\d\\d\\s\\d{4}\\s\\w{10}.*Demo$\',content) print(result) print(result.group()) #匹配结果 print(result.span()) #匹配的范围
结果如下:
result.group()获取匹配的结果
result.span()获去匹配字符串的长度范围
泛匹配
其实相对来说上面的方式并不是非常方便,其实可以将上述的正则规则进行更改
import re content= "hello 123 4567 World_This is a regex Demo" result = re.match("^hello.*Demo$",content) print(result) print(result.group()) print(result.span())
这段代码的结果和上面常规匹配的结果是一样的,但是写起来会方便很多
匹配目标
如果为了匹配字符串中具体的目标,则需要通过()括起来,例子如下:
import re content= "hello 1234567 World_This is a regex Demo" result = re.match(\'^hello\\s(\\d+)\\sWorld.*Demo$\',content) print(result) print(result.group()) print(result.group(1)) print(result.span())
这里需要说一下的是通过re.group()获得结果后,如果正则表达式中有括号,则re.group(1)获取的就是第一个括号中匹配的结果
贪婪匹配
先看下面代码:
import re content= "hello 1234567 World_This is a regex Demo" result= re.match(\'^hello.*(\\d+).*Demo\',content) print(result) print(result.group(1))
这段代码的结果是:
非贪婪匹配
从结果中可以看出只匹配到了7,并没有匹配到1234567,出现这种情况的原因是前面的.* 给匹配掉了, .*在这里会尽可能的匹配多的内容,也就是我们所说的贪婪匹配,
如果我们想要匹配到1234567则需要将正则表达式改为:
这样结果就可以匹配到1234567
匹配模式
print(result) 不报错
print(result.group()) 报错
很多时候匹配的内容是存在换行的问题的,这个时候的就需要用到匹配模式re.S来匹配换行的内容
import re content = """hello 123456 world_this my name is zhaofan """ result =re.match(\'^he.*?(\\d+).*?zhaofan$\',content,re.S) print(result) print(result.group()) print(result.group(1))
结果如下
转义
当我们要匹配的内容中存在特殊字符的时候,就需要用到转移符号\\,例子如下:
import re content= "price is $5.00" result = re.match(\'price is $5.00\',content) print(result)
import re content= "price is $5.00" result = re.match(\'price is \\$5\\.00\',content) print(result) print(result.group())
对上面的一个小结:
尽量使用泛匹配,使用括号得到匹配目标,尽量使用非贪婪模式,有换行符就用re.S
强调re.match是从字符串的起始位置匹配一个模式
re.search
re.search扫描整个字符串返回第一个成功匹配的结果
import re content = "extra things hello 123455 world_this is a Demo Extra things" result = re.match("hello.*?(\\d+).*?Demo",content) print(result)
结果:
match 必须从第一个字符开始匹配
import re content = "extra things hello 123455 world_this is a Re Extra things" result = re.search("hello.*?(\\d+).*?Re",content) print(result) print(result.group()) print(result.group(1))
结果如下:
其实这个时候我们就不需要在写^以及$,因为search是扫描整个字符串
注意:所以为了匹配方便,我们会更多的用search,不用match,match必须匹配头部,所以很多时候不是特别方便
匹配演练
例子1:
import re html = \'\'\'<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任贤齐">沧海一声笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齐秦">往事随风</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li> <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="邓丽君">但愿人长久</a> </li> </ul> </div>\'\'\' result = re.search(\'<li.*?active.*?singer="(.*?)">(.*?)</a>\',html,re.S) if result: print(result.group(1), result.group(2))
结果:
import re html = \'\'\'<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任贤齐">沧海一声笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齐秦">往事随风</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li> <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="邓丽君">但愿人长久</a> </li> </ul> </div>\'\'\' result = re.search(\'<li.*?active.*?singer="(.*?)">(.*?)</a>\',html,re.S) print(result) print(result.groups()) print(result.group(1)) print(result.group(2))
结果为:
import re html = \'\'\'<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任贤齐">沧海一声笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齐秦">往事随风</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li> <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="邓丽君">但愿人长久</a> </li> </ul> </div>\'\'\' result = re.search(\'<li.*?singer="(.*?)">(.*?)</a>\',html,re.S) if result: print(result.group(1), result.group(2))
他会搜索第一个结果直接打印
import re html = \'\'\'<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任贤齐">沧海一声笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齐秦">往事随风</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li> <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="邓丽君">但愿人长久</a> </li> </ul> </div>\'\'\' result = re.search(\'<li.*?singer="(.*?)">(.*?)</a>\',html) if result: print(result.group(1), result.group(2))
结果:
import re html = \'\'\'<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任贤齐">沧海一声笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齐秦">往事随风</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li> <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="邓丽君">但愿人长久</a> </li> </ul> </div>\'\'\' result = re.search(\'<li.*?singer="(.*?)">(.*?)</a>\',html) if result: print(result.group(1), result.group(2))
去掉 re.S 匹配第一个符合调节没有换行符的结果
re.findall
搜索字符串,以列表的形式返回全部能匹配的子串
代码例子如下:
import re html = \'\'\'<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任贤齐">沧海一声笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齐秦">往事随风</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li> <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="邓丽君">但愿人长久</a> </li> </ul> </div>\'\'\' results = re.findall(\'<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>\', html, re.S) print(results) print(type(results)) for result in results: print(result) print(result[0], result[1], result[2])
结果如下:
[(\'/2.mp3\', \'任贤齐\', \'沧海一声笑\'), (\'/3.mp3\', \'齐秦\', \'往事随风\'), (\'/4.mp3\', \'beyond\', \'光辉岁月\'), (\'/5.mp3\', \'陈慧琳\', \'记事本\'), (\'/6.mp3\', \'邓丽君\', \'但愿人长久\')] <class \'list\'> (\'/2.mp3\', \'任贤齐\', \'沧海一声笑\') /2.mp3 任贤齐 沧海一声笑 (\'/3.mp3\', \'齐秦\', \'往事随风\') /3.mp3 齐秦 往事随风 (\'/4.mp3\', \'beyond\', \'光辉岁月\') /4.mp3 beyond 光辉岁月 (\'/5.mp3\', \'陈慧琳\', \'记事本\') /5.mp3 陈慧琳 记事本 (\'/6.mp3\', \'邓丽君\', \'但愿人长久\') /6.mp3 邓丽君 但愿人长久
例子2:
import re html = \'\'\'<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任贤齐">沧海一声笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齐秦">往事随风</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li> <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="邓丽君">但愿人长久</a> </li> </ul> </div>\'\'\' results = re.findall(\'<li.*?>\\s*?(<a.*?>)?(\\w+)(</a>)?\\s*?</li>\',html,re.S) print(results) for result in results: print(result[1])
结果如下:
[(\'\', \'一路上有你\', \'\'), (\'<a href="/2.mp3" singer="任贤齐">\', \'沧海一声笑\', \'</a>\'), (\'<a href="/3.mp3" singer="齐秦">\', \'往事随风\', \'</a>\'), (\'<a href="/4.mp3" singer="beyond">\', \'光辉岁月\', \'</a>\'), (\'<a href="/5.mp3" singer="陈慧琳">\', \'记事本\', \'</a>\'), (\'<a href="/6.mp3" singer="邓丽君">\', \'但愿人长久\', \'</a>\')] 一路上有你 沧海一声笑 往事随风 光辉岁月 记事本 但愿人长久
其实这里我们就可以看出
\\s*? 这种用法其实就是为了解决有的有换行,有的没有换行的问题
(<a.*?>)? 这种用法是因为html中有的有a标签,有的没有的,?表示匹配一个或0个,正好可以用于匹配
re.sub
替换字符串中每一个匹配的子串后返回替换后的字符串
re.sub(正则表达式,替换成的字符串,原字符串)
例子1
import re content = "Extra things hello 123455 World_this is a regex Demo extra things" content = re.sub(\'\\d+\',\'\',content) print(content)
结果会讲数字替换为为空:
Extra things hello World_this is a regex Demo extra things
例子2,在有些情况下我们替换字符的时候可以通过下面方式实现:
import re content = "Extra things hello 123455 World_this is a regex Demo extra things" content = re.sub(\'\\d+\',r\'LXL\',content) print(content)
结果如下:
Extra things hello LXL World_this is a regex Demo extra things
例子3,在有些情况下我们替换字符的时候,还想获取我们匹配的字符串,然后在后面添加一些内容,可以通过下面方式实现:
import re content = "Extra things hello 123455 World_this is a regex Demo extra things" content = re.sub(\'(\\d+)\',r\'\\1 LXL\',content) print(content)
这里需要注意的一个问题是\\1是获取第一个匹配的结果,为了防止转义字符的问题,我们需要在前面加上r,前面还需要加上括号
import re html = \'\'\'<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> <a href="/2.mp3" singer="任贤齐">沧海一声笑</a> </li> <li data-view="4" class="active"> <a href="/3.mp3" singer="齐秦">往事随风</a> </li> <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li> <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li> <li data-view="5"> <a href="/6.mp3" singer="邓丽君">但愿人长久</a> </li> </ul> </div>\'\'\' html = re.sub(\'<a.*?>|</a>\',\'\',html) print(html) results = re.findall(\'<li.*?>(.*?)</li>\',html, re.S) print(results) for result in results: print(result.strip())
结果:
<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> 沧海一声笑 </li> <li data-view="4" class="active"> 往事随风 </li> <li data-view="6">光辉岁月</li> <li data-view="5">记事本</li> <li data-view="5"> 但愿人长久 </li> </ul> </div> [\'一路上有你\', \'\\n 沧海一声笑\\n \', \'\\n 往事随风\\n \', \'光辉岁月\', \'记事本\', \'\\n 但愿人长久\\n \'] 一路上有你 沧海一声笑 往事随风 光辉岁月 记事本 但愿人长久
re.compile
将正则表达式编译成正则表达式对象,方便复用该正则表达式
import re content= """hello 12345 world_this fan """ pattern =re.compile("hello.*fan",re.S) result = re.match(pattern,content) print(result) print(result.group()) result = re.match(\'hello.*fan\',content, re.S) print(result) print(result.group())
结果:
<re.Match object; span=(0, 26), match=\'hello 12345 world_this\\nfan\'> hello 12345 world_this fan <re.Match object; span=(0, 26), match=\'hello 12345 world_this\\nfan\'> hello 12345 world_this fan
正则的综合练习
获取豆瓣网书籍的页面的书籍信息,通过正则实现
import requests import re content = requests.get(\'https://book.douban.com/\').text pattern = re.compile(\'<li.*?cover.*?href="(.*?)".*?title="(.*?)".*?more-meta.*?author">(.*?)</span>.*?year">(.*?)</span>.*?</li>\', re.S) results = re.findall(pattern, content) print(results) for result in results: url,name,author,date = result author = re.sub(\'\\s\',\'\',author) date = re.sub(\'\\s\',\'\',date) print(url,name,author,date)
结果如下:
以上是关于python-正则表达式的主要内容,如果未能解决你的问题,请参考以下文章