数据的查找和提取[1]——正则表达式

Posted 2022-09-14 hiangxuup

正则表达式

正则表达式其实没有大家说的那么神秘和困难，它是一种强大的字符串处理工具，有自己的一套书写规则。首先，看一个简答的例子来大致了解一下。

　　1.1 举例

        比如给出一个字符串

Hello my name i1s HiangX

        使用下面这个正则式子

^Helld\\s\\w\\w\\s\\w4\\s\\w\\d

就可以匹配到 ‘Hello my name i1‘ 这段字符串了

　　在学习之前观察这个乱糟糟的表达式或许会觉得很复杂，其实不然，它有着自己的规则：/s 用于匹配空白字符，/w 在这里用于匹配字母，/w4 在这里用于匹配四个字母

它的使用规则还有很多，具体见下方这个表格

python有很多强大的库，其中re库中有很多函数可以帮助我们运用正则表达式进行匹配，下面就介绍我认为常用的几个

　　1.2match

这个函数是从字符串的首部开始检索与正则表达式匹配的字符串，具体的用法，还是用上面的例子来介绍一下

import re
content=‘Hello my name i1s HiangX‘
result=re.match(‘^Hello\\s\\w\\w\\s\\w4\\s\\w\\d‘,content)
print(result)

输出的结果和1.1相同，只是用程序进行表达。其中，match函数第一个参数是正则表达式，第二个参数是要匹配的内容

 

　　  1.2.1对提取的目标再匹配

　　看完上面的例子，大家有没有疑问，如何选择提取字符串中的特定部分呢？这个问题早就已经解决啦，也就是用group这个函数！

还是上面的例子，如果正则表达式变成

^Hello\\s(\\w)\\w\\s\\w4\\s\\w\\d

　　在输出的时候使用print(result.group(1))就可以输出加括号部分提取的内容。值得注意的是，通常在比如说数组等数据结构中，下标总是错开一位，但是在这里比较特殊，正常的对齐，一定要注意！

　　  1.2.2贪婪匹配与非贪婪匹配

　　还是刚才的例子

　　假如正则表达式变成

^Hello\\s.*\\d
　　那么匹配到的内容和上访相同，相信大家可以看出来了 .* 这两个的搭配，其实就是省略中间的字符，直到后面的字符。
现在在看另外一种方式：

^Hello.*\\w
　　这个式子的结果就不再是大家想象中的Hello m 而是整个句子！那是为什么呢？
其实，这种匹配方式叫做贪婪匹配，也就是尽可能多的匹配字符，所以上方那种情况会尽可能多的进行匹配，直到遇到最后一个字母X才结束

　　那这个问题如何解决呢？出现了非贪婪匹配，和之前的相反，就是尽可能少的匹配字符，用的符号是 .*?
如果将上方的改成

^Hello.*？\\w
　　那么结果就会变成Hello m 

再总结一下！贪婪匹配和非贪婪匹配区别就是：
符号：贪婪匹配用 .* 而非贪婪匹配用.*?
功能：贪婪匹配主要是尽可能多的进行匹配 而非贪婪匹配主要是尽可能少的进行匹配
所以，通常情况下使用非贪婪匹配比较多

　　  1.2.3转义匹配

在使用的过程中，不可避免的遇到一些字符串中含有特殊的字符。

在遇到这种情况时，只用在特殊字符前加上\\即可

 

注意：在分析html时，也经常会遇到换行符，这里的match不太能识别，所以要另外加上修饰符，常用的如下：

re.S 忽略换行符

re.I 大小写不敏感

re.L 

re.M 多行进行匹配

re.U 使用Unicode字符集解析字符

re.X

　　1.3 search()

　　上一节中的match函数是从头进行匹配，如果头部不匹配，就直接失败，在使用过程中显然还不是很方便。然而这一节要介绍的search就不一样了，一起来看看吧！这个方法是进行全文的搜索和匹配，并且返回第一个匹配成功的字符串，使用方法和match()相同

　　1.4findall()

前面介绍过search是返回匹配成功的第一个字符串，那么这个方法是返回匹配到的所有字符串，但是返回的内容其实还是一个数组类型的数据，可以通过下标来选取匹配到的第几个字符串

　　1.5 sub()

　　这个方法，在有些时候可以发挥很大的作用。比如说在整理html代码的时候，有很多的标签，如果我想从这些标签中选取一部分数据出来，如果用提取的方法会很繁琐，特别长。
　　这时候，也可以选择把多余的部分删除掉，使整个html显得更加简洁，这里就是用到sub()函数进行解决
　　result=re.sub(‘<a.*?>|</a>‘,html,re.S)用这个方法就可以把所有的a标签全部去除，使结果更加简洁一些

　　1.6 compile()

这个函数主要运用了面向对象的思想，可以将一个正则表达式，compile成一个正则的对象，在后来程序的维护和改变的时候会更加的方便和灵活。


　　　　以上就是对于正则表达式的简单介绍，博主也在学习，想通过博客记录成长，有问题欢迎提出，一起讨论！下一篇介绍xpath的使用