正则表达¶
微信阅读：网罗天下之~正则表达
在线预览：http://github.lesschina.com/python/spider/re/1.网罗天下之-正则表达.html
1.单个字符¶
| 字符 | 含义 |
|---|---|
. |
匹配任意1个字符（除了
） |
[] |
匹配[ ]中列举的1个字符（^可以取反） |
d |
匹配数字（0~9） |
D |
匹配非数字（非数字） |
s |
匹配空白（空格、Tab键、回车） |
S |
匹配非空白 |
w |
匹配单词字符，即a-z、A-Z、0-9、_（包括单个中文字符） |
W |
匹配非单词字符 |
注意：
s并不匹配""<re.Match object; span=(0, 1), match=' '>- PS：
match=xxx，就是我们ret.group()的结果
- PS：
In [1]:
# 定义一个通用测试方法
import re
def my_match(re_str, input_str):
ret = re.match(re_str, input_str)
if ret:
print(f"[匹配结果:{ret.group()}]")
else:
print(f"[{input_str}不匹配]")
return ret
# Python中字符串前面加上 r 表示原生字符串（不转义）
In [2]:
# s 验证
# 空格匹配验证
my_match("s"," ")
# Tab键匹配验证
my_match("s"," ")
# 回车匹配验证
my_match("s","
")
# 不匹配验证：（空字符串）
my_match("s","")
In [3]:
# d 验证
# 匹配单个数字
my_match("d","1") # 一点要变成字符串
# 多个数字则只能匹配一个字符
my_match("d","11") # 注意
# 解决：以^开头，以$结尾
my_match("^d$","11")
In [4]:
# [] 验证
# 不是1、2、3则不匹配
my_match("[1-3]","4")
# 匹配1~3,6~9
my_match("[1-36-9]","7")
# 不匹配验证
my_match("[1-36-9]","5")
# 只匹配数字和字母（大小写）
my_match("[da-zA-Z]","7")
my_match("[da-zA-Z]","b")
my_match("[da-zA-Z]","B")
# 不匹配验证
my_match("[da-zA-Z]","_")
In [5]:
# [] 取反扩展
# d ==> [0-9]
# D ==> [^0-9]
# 非2、4、6
my_match("[^246]","3")
my_match("[^246]","@")
# 错误验证
my_match("[^246]","4")
# 非 1~6
my_match("[^1-6]","7")
my_match("[^1-6]","#")
# 错误验证
my_match("[^1-6]","5")
In [6]:
# w在UTF8下会匹配中文的验证：
my_match("w","滚")
# .匹配任意字符，不包括
的验证：
my_match(".","
")
# 除了
，可以匹配任意一个字符
my_match("."," ")
Out[6]:
In [7]:
# 扩展
# 如果想让.支持
，再多传个flag：re.S
re.match(".","
",re.S)
Out[7]:
2.多个字符¶
| 字符 | 含义 |
|---|---|
* |
1个字符出现次数：>=0 |
+ |
1个字符出现次数：>=1 |
? |
1个字符出现次数：1 or 0 |
{m} |
1个字符出现m次 |
{m,n} |
1个字符出现从[m,n]次 |
|
转义特殊字符 |
^ |
匹配字符串开头 |
$ |
匹配字符串结尾 |
多个字符，一般都是以^开头，以$结尾，不然容易出Bug（re.match方法默认以^开头）
PS：vi命令模式下，输入^和$，光标会跳转到头和尾
Python中r""代表不转义字符串:
# r""，如果包含转义字符就容易出错了，这时候r""就上场了
re.match("\mmd","mmd")
# 原因分析
# 是有特殊含义的，想要没有特殊含义就再加个，
# 那加上的这个又有特殊含义，所以就蛋疼了，r""这时候就上场了
# 解决方法
re.match(r"\mmd","\mmd") # 下面有案例
In [8]:
# * 、 + 、?
# *：0个或者多个
my_match(r"d*","")
my_match(r"d*","11")
# +：1个或者多个
# 不匹配验证：
my_match(r"d+","")
# 匹配验证：
my_match(r"d+","1")
my_match(r"d+","11")
# ?：0个或者1次
# 不匹配验证：
my_match(r"^d?$","11")
# 匹配验证
my_match(r"^d?$","")
my_match(r"^d?$","1")
Out[8]:
In [9]:
# 为什么用^和$包裹，看下面两个奇葩案例就知道了
my_match("d","123333")
my_match("d*","a") # ==> "a" ==> """a"
Out[9]:
In [10]:
# {}指定位数验证
# ? ==> {0,1}
# 1位数字或者2位数字
my_match(r"^d{1,2}$","7")
# 1位数字或者2位数字
my_match(r"^d{1,2}$","17")
# 错误验证
my_match(r"^d{1,2}$","777")
# 指定位数 eg:10位数字
my_match(r"^d{10}$","1234567890")
# 错误验证 ~ 9位
my_match(r"^d{10}$","123456789")
# 错误验证 ～ 非整数
my_match(r"^d{10}$","A123456789")
In [11]:
# {} 扩展
# * ==> {0,}
# + ==> {1,}
# d 至少3个
my_match(r"d{3,}","123")
my_match(r"d{3,}","1234")
# 错误验证
my_match(r"d{3,}","12")
In [12]:
# ^ $ 案例
# 验证变量命名
my_match(r"^[a-zA-z_]w*$","a_bbp")
my_match(r"^[a-zA-z_]w*$","_")
Out[12]:
In [13]:
# 测试一个就知道为什么用w了
def test蛋():
print("mmd")
test蛋() # Python Code
In [14]:
# 如果没有加开头和结尾的Bug测试
# 没有判断结尾的Bug案例
my_match(r"[a-zA-z_]w*","a_b#w")
# 测试Bug，这个也匹配了
my_match(r"[a-zA-z_]+@qq.com","mmd@qq.comcom")
# 改进 ~ 现在不匹配了
my_match(r"^[a-zA-z_]w*$","a_b#w")
In [15]:
# 转义字符 引入案例
# 测试Bug，这个也匹配了
my_match(r"[a-zA-z_]+@qq.com","mmd@qq#comcom")
# 改进 ~ 现在不匹配了 (开头结尾+转义)
my_match(r"^[a-zA-z_]+@qq.com$","mmd@qq#comcom")
In [16]:
# r""，如果包含转义字符就容易出错了，这时候r""就上场了
try:
my_match("\mmd","mmd")
except Exception as ex:
print(ex)
# 原因分析
# 是有特殊含义的，想要没有特殊含义就再加个，
# 那加上的这个又有特殊含义，所以就蛋疼了，r""这时候就上场了
# 解决方法
my_match(r"\mmd", "\mmd")
Out[16]:
3.其他字符¶
| 字符 | 含义 |
|---|---|
| |
匹配左右任意一个表达式 |
|
匹配一个单词的边界(字母与空格间的位置) |
B |
匹配非单词的边界 |
( ) |
将括号中字符作为一个分组 |
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 |
In [17]:
# 匹配边界
# 匹配以net结尾的单词
my_match(r"w+net","dotnet")
my_match(r"w+net","dotnet crazy")
# 不匹配验证
my_match(r"w+net","dotnetcrazy")
# 后面会讲
re.findall(r"w+net","dotnet crazy aspnet")
Out[17]:
In [18]:
# 不匹配验证：、B、^、$只是代表边界，并不表示空格
my_match(r"w+net","dot net crazy")
# 正确修改
my_match(r"w+snet","dot net crazy")
# 把上面换成B，则代表单词间必须是 非空格的字符
my_match(r"w+BnetB","dotnetcrazy")
my_match(r"w+BnetB","dotnetAcrazy")
my_match(r"w+BnetB","dotnet1crazy")
# 不匹配验证
my_match(r"w+BnetB","dotnet#crazy")
In [19]:
# | 匹配左右任意一个表达式
# 匹配小明或者小张
my_match(r"^小明|小张$","小明")
my_match(r"^小明|小张$","小张")
# 不匹配验证
my_match(r"^小明|小张$","小潘")
In [20]:
# () 将括号中字符作为一个分组
# group(1) 返回第1个括号匹配内容
my_match(r"^[a-zA-Z0-9_]+@(qq|163).com$","mmd@163.com").group(1)
# HTML的标签匹配匹配检查
my_match(r"^<([a-zA-Z1-9]+)>.*</1>$","<h1>萌萌哒</h1>").group(1)
Out[20]:
In [21]:
# groups返回所有的匹配结果
my_match(r"^<([a-zA-Z1-9]+)><([a-zA-Z1-9]+)>(.*)</2></1>$","<p><font>我去</font></p>").groups()
Out[21]:
In [22]:
# 匹配 qq.com 和 163.com (别忘记转义.)
ret = my_match(r"(^[a-zA-Z0-9_]+)@(qq|163).com$","mmd@qq.com")
print(ret.groups())
ret = my_match(r"(^[a-zA-Z0-9_]+)@(qq|163).com$","mmd@163.com")
print(ret.groups())
# 不匹配验证
my_match(r"^(^[a-zA-Z0-9_]+)@(qq|163).com$","@163.com")
my_match(r"^(^[a-zA-Z0-9_]+)@(qq|163).com$","mmd@123.com")
In [23]:
# 别名案例（不常用）
my_match(r"<(?P<mmd>w*)><(?P<dnt>.*)>.*</(?P=dnt)></(?P=mmd)>","<html><h1>萌萌哒</h1></html>").group(2)
# 不匹配验证
my_match(r"<(?P<mmd>w*)><(?P<dnt>.*)>.*</(?P=dnt)></(?P=mmd)>","<html><h1>萌萌哒</h2></html>")
In [24]:
# 练练手
In [25]:
# 1~100之间的数字：(1,100)
my_match(r"^[1-9]d?$","0")
my_match(r"^[1-9]d?$","7") # 十位只能是1~9
my_match(r"^[1-9]d?$","77")
# 不匹配验证
my_match(r"^[1-9]d?$","07")
my_match(r"^[1-9]d?$","777")
# 0~100的数字：[0,100]
re_str=r"^([1-9]?d?|100)$" # ^([1-9]d?|100|0)$
my_match(re_str,"0")
my_match(re_str,"1")
my_match(re_str,"70")
my_match(re_str,"100")
# 不匹配验证
my_match(re_str,"07")
my_match(re_str,"170")
my_match(re_str,"700")
4.Python扩展¶
上面的都是通用系列，下面的才能体现为啥爬虫是Python的优势：
re.match：和其他语言用法一致（默认从头开始匹配）re.search：匹配第一个并返回（如果加了^和$就和match一样了）re.findall：返回所有匹配的列表re.sub：将匹配到的数据进行替换，再返回新的字符串- 匹配之后替换成默认值
- 匹配之后进行函数处理
re.split：正则切割函数（类似于字符串的split）re.compile：正则字符串编译成正则表达式对象
In [26]:
# 匹配第一个就结束了
ret = re.search(r"d","我的名字叫小明，今年23,88")
print(ret.group())
# 如果加了开头结尾就和match一样了
print(re.search(r"^d$","我的名字叫小明，今年23,88"))
In [27]:
# 返回所有匹配的列表
re.findall(r"d","我的名字叫小明，今年23，88")
Out[27]:
In [28]:
re.split(r"，|。","我的名字叫小明，今年23。88")
Out[28]:
In [29]:
# sub案例：批量替换1
re.sub(r"d+","***","我上次买的时候98.5块，现在30就拿到了，差评！")
Out[29]:
In [30]:
# sub案例：批量替换2 ~ 拿到分组内容并进行处理
re.sub(r"(d+)",r"4001","我是小明，客服电话是：6789688")
Out[30]:
In [31]:
# sub案例：函数处理
def shit_test(result):
# 返回类型必须是str
return str(float(result.group())*2)
re.sub(r"d+",shit_test,"我上次买的时候98.5块，现在30就拿到了，差评！")
Out[31]:
In [32]:
# 扩展内容
pattern = re.compile(r"A.*Z",re.S) # 表达式复用
print(re.match(pattern,"ABZ").group())
print(re.match(pattern,"ACZ").group())
In [33]:
# 练手小案例
In [34]:
# 提取单词
input_str = "Python Golang NetCore JavaScript"
print(re.split(" ",input_str))
re.findall("[a-zA-Z]+",input_str)
Out[34]:
In [35]:
# 提取文字 """ 保留字符串原始格式
html_str = """
<div>
<h3>职位描述</h3>
<div>
岗位职责： <br>1. 负责公司数据管理制度、规范、流程的设计，参与数据开发平台的建设和管理<br>2. 规划数据仓库工作方向，持续提升团队工作目标和工作效率<br>3. 负责全面了解公司业务，进行深层次的数据分析，为数据开发项目提供指导性的意见，从数据角度为公司产品开发、业务运营提供决策支持建议<br>4. 掌握业界技术动向，组织研究大数据相关前沿技术，用于指导实际的数据支持项目<br>任职要求：<br>1. 精通数据仓库实施理论，生命周期管理，具备大型互联网数据仓库架构设计、模型设计、ETL设计经验，以及海量数据处理和优化经验<br>2. 深入理解Hadoop/Hive/Spark/Storm/Kylin等大数据相关技术和原理<br>3. 有实际使用Hive/MR/Spark等大数据处理技术解决大数据相关问题的项目经验，具备丰富的性能调优经验<br>4 熟悉OLAP工具和数据分析技能，对数据敏感，能够进行数据分析，挖掘数据价值<br>5. 逻辑思维能力强，有较强的学习能力和创新思维，能够解决复杂的商业问题<br>6. 优秀的沟通能力和文字表达能力，有较强的团队管理能力
</div>
</div>
"""
# 清除HTML标签（`/?`：`/`出现0次或者1次）
re.sub(r"</?w+>|
| ","",html_str).strip()
Out[35]:
In [36]:
# 贪婪演示
# 贪婪模式下会尽可能匹配:
input_str = "我叫小明，欢迎拨打客服：4006789678"
ret = re.match(r"(.+)(d+)", input_str)
print("[提取的号码为:]",ret.group(2))
print("[贪婪的字符串:]",ret.group(1))
# 解决方法 .+? or .*?
ret = re.match(r"(.+?)(d+)", input_str)
print("[提取的号码为:]",ret.group(2))
print("[贪婪的字符串:]",ret.group(1))
In [37]:
# 练手小案例
In [38]:
# 加强版提取案例 ~ BOSS
html_str = """
<div class="detail-content">
<div class="job-sec">
<h3>职位描述</h3>
<div class="text">
岗位职责： <br>1. 负责公司数据管理制度、规范、流程的设计，参与数据开发平台的建设和管理<br>2. 规划数据仓库工作方向，持续提升团队工作目标和工作效率<br>3. 负责全面了解公司业务，进行深层次的数据分析，为数据开发项目提供指导性的意见，从数据角度为公司产品开发、业务运营提供决策支持建议<br>4. 掌握业界技术动向，组织研究大数据相关前沿技术，用于指导实际的数据支持项目<br>任职要求：<br>1. 精通数据仓库实施理论，生命周期管理，具备大型互联网数据仓库架构设计、模型设计、ETL设计经验，以及海量数据处理和优化经验<br>2. 深入理解Hadoop/Hive/Spark/Storm/Kylin等大数据相关技术和原理<br>3. 有实际使用Hive/MR/Spark等大数据处理技术解决大数据相关问题的项目经验，具备丰富的性能调优经验<br>4 熟悉OLAP工具和数据分析技能，对数据敏感，能够进行数据分析，挖掘数据价值<br>5. 逻辑思维能力强，有较强的学习能力和创新思维，能够解决复杂的商业问题<br>6. 优秀的沟通能力和文字表达能力，有较强的团队管理能力
</div>
</div>
<div class="job-sec">pass</div>
<div class="job-sec">xx</div>
<div class="job-sec company-info"pass</div>
<div class="job-sec">pass</div>
</div>
"""
# 先找到第一个job-sec（正则思路：直接定位匹配，写几个关键词，其他都是偷懒写法.*?）
ret = re.search(r'<div.*?job-sec">.*?text">(.*?)</div>', html_str, re.S)
new_str = ret.group(1)
print(new_str)
# 再处理下多余的HTML标签
re.sub(r"<br>|s","",new_str)
Out[38]:
In [39]:
# 再来一例 ～ 拉勾
html_str = """
<dd class="job_bt">
<h3 class="description">职位描述：</h3>
<div>
<p>岗位职责：<br>1. 为政企客户和合作伙伴提供腾讯互联网+整体解决方案技术层面的售前架构咨询服务； <br>2. 为政府、企业提供腾讯大数据等项目的规划、咨询服务，协助合作伙伴及产品部门进行大数据等项目的落地； <br>3. 配合BD等团队发展生态合作伙伴，将腾讯能力与合作伙伴方案进行方案融合，为合作伙伴提供咨询、培训、方案融合服务； <br>4. 针对客户互联网+需求，深度定制互联网+解决方案并制定实施计划，把握全局项目进度，协调相关资源、协助实施团队完成方案Demo系统搭建，PoC测试及项目落地工作； <br>5. 负责互联网+案例、技术方案的更新维护，以及布道工作。</p>
<p><br>岗位要求：<br>1. 本科以上学历，5年（硕士3年）以上大数据等售前咨询相关的工作经验； <br>2. 熟悉Hadoop、Spark等开源大数据技术体系，熟悉Oracle、PostgreSQL等数据库。要求至少有3个以上政企大数据项目规划与落地经验； <br>3. 具有宏观思维，有高层汇报能力。熟悉医疗、公安等行业大数据优先； <br>4. 具备优秀的文档能力，清晰明了地表达架构意图，能够熟练编写各类技术文档； <br>5. 良好的沟通、协调及资源整合能力； <br>6. 有针对行业ISV的渠道支持经验优先。</p>
</div>
</dd>
"""
# 匹配需要的内容（正则思路：快速定位，然后.*?偷懒写法走起）
ret = re.search('<h3.*?p>(.*?)</p>.*?p>(.*?)</p>',html_str,re.S)
# 再处理下多余的HTML标签
for item in (ret.group(1),ret.group(2)):
print(re.sub(r"s| |<br>", "", item))
第一阶段并发、网络、爬虫、DB的网撒完了，现在准备慢慢收网
这几个系列相关性挺强，随便深入哪一个专题都得扯到其他专题
所以最后网子就有点大了，不过不用慌，慢慢来～
相关系列文章如下：
Python3 与 C# 并发编程之～ 上篇（Net专栏）
Queue引入篇 [看看就行]