python 正则表达式

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，就是用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"规则字符串"，这个“规则字符串”用来表达对字符串的一种过滤逻辑

非Python独有，re模块实现

常见匹配模式

模式	描述
\w	匹配字符数字及下划线
\W	匹配非字母数字下划线
\s	匹配任意空白字符，等价于[\t\n\r\f]
\S	匹配任意非空白字符
\d	匹配任意数字，等价雨[0-9]
\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，只匹配到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，当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[]重的字符:[^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，非贪婪模式
  {n} | 精确匹配n个前面表达式
  {n,m}|匹配n到m次由前面的正则表达式定义的片段
  () |匹配括号内的表达式，也表示一个组

re.match

re.match 常识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成功的话，match()就会返回none

re.match(pattern,string,flags=0)

最常规的匹配

import re
content = 'Hello 123 4567 World_This is a Regex Demo'
result = re.match('^Hello\s\d\d\d\s',content)
print(result)
print(result.group())
print(result.span())

泛匹配

import re
content = 'Hello 123 4567 World_This is a Regex Demo'
result = re.match('^Hello\s\d\d\d\s',content)
print(result)
print(result.group())
print(result.span())

匹配目标

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(1))
print(result.span())

贪婪匹配

import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*(\d+).*Demo$',content)
print(result)
print(result.group(1))

非贪婪匹配

import re
content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*?(\d+).*Demo$',content)
print(result)
print(result.group(1))

匹配模式

import re
content = '''Hello 1234567 World_This
is a Regex Demo'''
result = re.match('^He.*?(\d+).*?Demo$',content,re.S)
print(result.group())

转义

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.group())

总结：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

re.search

re.search扫描整个字符串并返回第一个成功的匹配。

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
result = re.match('Hello.*?(\d+).*?Demo',content)
print(result)

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
result = re.search('Hello.*?(\d+).*?Demo',content)
print(result)
print(result.group())

总结：为匹配方便，能用search就不用match

匹配演练

import re
html = '''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老哥列表
</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"><i class="fa fa-user"></i>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))

import re
html = '''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老哥列表
</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"><i class="fa fa-user"></i>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))

import re
html = '''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老哥列表
</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"><i class="fa fa-user"></i>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))

re.findall

搜索字符串，以列表形式返回全部能匹配的子串

import re
html = '''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老哥列表
</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])

import re
html = '''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老哥列表
</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"><i class="fa fa-user"></i>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])

re.sub

替换字符串每一个匹配的字串后的字符串

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
content = re.sub("\d+",'',content)
print(content)

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
content = re.sub('\d+','replacement',content)
print(content)

import re
content = 'Extra strings Hello 1234567 World_This is a Regex Demo Extra strings'
content = re.sub('(\d+)',r'\1 8910',content)
print(content)

import re
html = '''<div id="songs-list>
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老哥列表
</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[0],result[1],result[2])

re.compile

将正则字符串编译成正则表达式对象
将一个正则表达式串编译成正则对象，以便于复用该匹配模式

import re
content = '''Hello 1234567 World_This
is a Regex Demo'''
pattern = re.compile('Hello.*Demo',re.S)
result = re.match(pattern,content)
# result = re.match('Hello.*Demo',content,re.S)
print(result)

实战练习

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)