正则表达式
Posted yzg-14
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。
1. 匹配单个字符
| 字符 | 功能 |
|---|---|
| . | 匹配任意1个字符（除了 ） |
| [ ] | 匹配[ ]中列举的字符 |
| d | 匹配数字，即0-9 |
| D | 匹配非数字，即不是数字 |
| s | 匹配空白，即 空格，tab键 |
| S | 匹配非空白 |
| w | 匹配单词字符，即a-z、A-Z、0-9、_ |
| W | 匹配非单词字符 |
2. 匹配多个字符
| 字符 | 功能 |
|---|---|
| * | 匹配前一个字符出现0次或者无限次，即可有可无 |
| + | 匹配前一个字符出现1次或者无限次，即至少有1次 |
| ? | 匹配前一个字符出现1次或者0次，即要么有1次，要么没有 |
| {m} | 匹配前一个字符出现m次，前面的表达式作用m次 |
| {m,n} | 匹配前一个字符出现从m到n次，前面的表达式作用m到n次 |
3. 匹配开头和结尾
| 字符 | 功能 |
|---|---|
| ^ | 匹配字符串开头，一后面的一串表达式开头 |
| $ | 匹配字符串结尾，以前面的一串表达式结尾 |
4. 匹配分组
| 字符 | 功能 |
|---|---|
| | | 匹配左右任意一个表达式 |
| (ab) | 将括号中字符作为一个分组，（xxx|xxx|xxx） |
um |
引用分组num匹配到的字符串 |
(?P<name>) |
分组起别名 |
| (?P=name) | 引用别名为name分组匹配到的字符串 |
示例：|
# 添加| ret = re.match("[1-9]?d$|100","8") print(ret.group()) # 8 ret = re.match("[1-9]?d$|100","78") print(ret.group()) # 78 ret = re.match("[1-9]?d$|100","08") # print(ret.group()) # 不是0-100之间 ret = re.match("[1-9]?d$|100","100") print(ret.group()) # 100
示例：()
import re ret = re.match("w{4,20}@163.com", "test@163.com") print(ret.group()) # test@163.com ret = re.match("w{4,20}@(163|126|qq).com", "test@126.com") print(ret.group()) # test@126.com ret = re.match("w{4,20}@(163|126|qq).com", "test@qq.com") print(ret.group()) # test@qq.com ret = re.match("w{4,20}@(163|126|qq).com", "test@gmail.com") if ret: print(ret.group()) else: print("不是163、126、qq邮箱") # 不是163、126、qq邮箱
>>> ret = re.match("([^-]*)-(d+)","010-12345678") >>> ret.group() ‘010-12345678‘ >>> ret.group(1) ‘010‘ >>> ret.group(2) ‘12345678‘
示例：
需求：匹配出<html>hh</html>
import re # 能够完成对正确的字符串的匹配 ret = re.match("<[a-zA-Z]*>w*</[a-zA-Z]*>", "<html>hh</html>") print(ret.group()) # 如果遇到非正常的html格式字符串，匹配出错 ret = re.match("<[a-zA-Z]*>w*</[a-zA-Z]*>", "<html>hh</htmlbalabala>") print(ret.group()) # 正确的理解思路：如果在第一对<>中是什么，按理说在后面的那对<>中就应该是什么 # 通过引用分组中匹配到的数据即可，但是要注意是元字符串，即类似 r""这种格式 ret = re.match(r"<([a-zA-Z]*)>w*</1>", "<html>hh</html>") print(ret.group()) # 因为2对<>中的数据不一致，所以没有匹配出来 test_label = "<html>hh</htmlbalabala>" ret = re.match(r"<([a-zA-Z]*)>w*</1>", test_label) if ret: print(ret.group()) else: print("%s 这是一对不正确的标签" % test_label) # 运行结果： <html>hh</html> <html>hh</htmlbalabala> <html>hh</html> <html>hh</htmlbalabala> 这是一对不正确的标签
示例： umber
需求：匹配出<html><h1>www.itcast.cn</h1></html>
import re labels = ["<html><h1>www.itcast.cn</h1></html>", "<html><h1>www.itcast.cn</h2></html>"] for label in labels: ret = re.match(r"<(w*)><(w*)>.*</2></1>", label) if ret: print("%s 是符合要求的标签" % ret.group()) else: print("%s 不符合要求" % label) #运行结果： <html><h1>www.itcast.cn</h1></html> 是符合要求的标签 <html><h1>www.itcast.cn</h2></html> 不符合要求
示例：(?P<name>) (?P=name)
ret = re.match(r"<(?P<name1>w*)><(?P<name2>w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>xxx</h1></html>") print(ret.group())
5. match
import re ret = re.match(r"d+", "6666阅读次数为9999") print(ret.group()) # 6666 print(ret.group(0)) # 6666
6. search
需求：匹配出文章阅读的次数
import re ret = re.search(r"d+", "阅读次数为 9999") ret.group() # 运行结果： ‘9999‘
7. findall
需求：统计出python、c、c++相应文章阅读的次数
import re ret = re.findall(r"d+", "python = 9999, c = 7890, c++ = 12345") print(ret) # 运行结果： [‘9999‘, ‘7890‘, ‘12345‘]
8. sub 将匹配到的数据进行替换
需求：将匹配到的阅读次数加1
方法1：
import re ret = re.sub(r"d+", ‘998‘, "python = 997") print(ret) # python = 998
方法2：
import re def add(temp): strNum = temp.group() num = int(strNum) + 1 return str(num) ret = re.sub(r"d+", add, "python = 997") print(ret) # python = 998 ret = re.sub(r"d+", add, "python = 99") print(ret) # python = 100
9. 贪婪和非贪婪
Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；
非贪婪则相反，总是尝试匹配尽可能少的字符。
在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。
>>> s="This is a number 234-235-22-423" >>> r=re.match(".+(d+-d+-d+-d+)",s) >>> r.group(1) ‘4-235-22-423‘ >>> r=re.match(".+?(d+-d+-d+-d+)",s) >>> r.group(1) ‘234-235-22-423‘ >>>
正则表达式模式中使用到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串，在我们上面的例子里面，“.+”会从字符串的启始处抓取满足模式的最长字符，其中包括我们想得到的第一个整型字段的中的大部分，“d+”只需一位字符就可以匹配，所以它匹配了数字“4”，而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。
解决方式：非贪婪操作符“？”，这个操作符可以用在"*","+","?"的后面，要求正则匹配的越少越好。
>>> re.match(r"aa(d+)","aa2343ddd").group(1) ‘2343‘ >>> re.match(r"aa(d+?)","aa2343ddd").group(1) ‘2‘ >>> re.match(r"aa(d+)ddd","aa2343ddd").group(1) ‘2343‘ >>> re.match(r"aa(d+?)ddd","aa2343ddd").group(1) ‘2343‘ >>>
import re s = "abcdefghijklmnsdgadgfdsagfdsg--dsfa" ret = re.match(r".+?", s) print(ret.group()) # a ret = re.match(r"(.*?)d", s) # .*?一般不单独使用，单独使用就是匹配零次了 # .*?懒惰匹配，满足条件的情况值匹配一次 # (.*?)d # d表示限定 print(ret.group()) # abcd print(ret.group(0)) # abcd print(ret.group(1)) # abc ret = re.match(r"(.*)d", s) # 贪婪匹配，满足条件的情况都匹配，直到不能匹配上为止 print(ret.group()) # abcdefghijklmnsdgadgfdsagfdsg--d
10. r的作用
>>> mm = "c:\a\b\c" >>> mm ‘c:\a\b\c‘ >>> print(mm) c:ac >>> re.match("c:\\",mm).group() ‘c:\‘ # 在交互式中是两个反斜杠 >>> ret = re.match("c:\\",mm).group() >>> print(ret) c:>>> ret = re.match("c:\\a",mm).group() >>> print(ret) c:a >>> ret = re.match(r"c:\a",mm).group() >>> print(ret) c:a >>> ret = re.match(r"c:a",mm).group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: ‘NoneType‘ object has no attribute ‘group‘ >>>
说明：
Python中字符串前面加上 r 表示原生字符串，
与大多数编程语言相同，正则表达式里使用""作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符""，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题，有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。
>>> ret = re.match(r"c:\a",mm).group() >>> print(ret) c:a
以上是关于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
正则表达式匹配特定的 URL 片段而不是所有其他 URL 可能性