正则表达式
应用场景
- 特定规律字符串的查找替换切割等
- 邮箱格式、URL、IP等的校验
- 爬虫项目中，特定内容的提取
使用原则
- 只要是能够使用字符串函数解决的问题，就不要使用正则
- 正则的效率较低，还会降低代码的可读性
- 世界上最难理解的三样东西：医生的处方、道士的神符、码农的正则
- 提醒：正则是用来写的，不是用来读的；在不知道功能的情况下，不要试图阅读别人的正则。
基本使用
-
说明：正则的解析处理是由
re模块完成 -
相关函数：
- match：从开头进行匹配，匹配到就返回正则结果对象，没有就返回None
- search：从任意位置匹配，匹配到一次就返回，没有就返回None
import re # 只从开头匹配，找到返回一个正则结果对象，没有找到返回None # m = re.match('abc', 'abcsdhasdasjabcweuqo') # 全部匹配，只要找到就停止并返回 m = re.search('abc', 'sdhabcsdasjabcweuqo') if m: # 提取匹配到的内容 print(m.group()) # 获取匹配位置 print(m.span())
- findall：全局匹配，返回匹配到的结果列表，没有时返回空列表
# 匹配所有内容，返回匹配结果组成的列表，若没有则返回空列表 f = re.findall('abc', 'qwsdhaslabcsadjlasdoiabcdakls') if f: print(f) print(type(f))
- compile：生成正则表达式对象
# 生成正则表达式对象，用于正则匹配 c = re.compile('hello') # 从开头进行匹配 # m = c.match('hellosdsjldkabc') # 从任意位置匹配 m = c.search('shdjkhelloaskjdha') if m: print(m.group()) # 匹配所有 f = c.findall('helloasjdhakhello') if f: print(f)
将正则的匹配分两步完成：先创建正则对象，然后通过对象的match、search、findall方法完成匹配
正则规则
-
单个字符：
普通字符：简单来说就是一对一的完全匹配 []：中间的任意一个字符 [a-z]：a~z之间的字符(所有小写字母) [0-9]：0~9之间的字符(所有数字) [A-Z0-9]：所有的大写字母和数字 [^abc]：除abc外的所有字符 . ：匹配' '以外的任意字符 d：所有的数字，等价于[0-9] D：所有的非数字，等价于[^0-9] w：所有的数字、字母(中文)、下划线等(就是字) W：所有的非字字符(w的取反) s：所有的空白字符( 、 、 、空格等) S：所有的非空白字符 ：词边界匹配(开头、结尾、标点、空格) B：非词边界匹配
-
次数控制
*：前面的字符出现任意次 +：前面的字符出现至少一次 ?：前面的字符出现至多一次 {m}：指定次数，m表示出现的次数 {m,}：至少指定次数 {m,n}：指定范围内的次数，m到n次之间 {,n}：至多n次，相当于{0,n}
正则的匹配默认都是贪婪的(最大限度的匹配)
-
边界限定
- ^：以指定的内容开头
- $：以指定的内容结尾
- 示例
import re # 以指定的内容开头 # c = re.compile(r'^abc') # 以指定的内容结尾 c = re.compile(r'kas$') s = c.search('abcsdhkas') if s: print(s.group())
-
优先级控制
- |：表示或，它拥有最低的优先级
- ()：用于表示一个整体，明确的指定优先级
- 示例：
import re c = re.compile(r'a(hello|world)b') s = c.search('aworldb') if s: print(s.group())
-
分组匹配
- 说明：()不但可以作为一个整体，还可以进行分组匹配
- 示例1:
import re c = re.compile(r'(d+)([a-z]+)(d+)') s = c.search('shd327sjahdajhsd87892ehawksd') if s: print(s.group()) # 默认就是全部的匹配内容，等价于上式 print(s.group(0)) # 第一个()匹配到的内容 print(s.group(1)) print(s.group(2)) print(s.group(3)) print(s.span()) print(s.span(0)) print(s.span(1)) print(s.span(2)) print(s.span(3))
- 示例2：给分组起名字
import re # 固定匹配 # c = re.compile(r'<div><a>w+</a></div>') # 1表示前面第一个小括号匹配的内容 # c = re.compile(r'<([a-z]+)><([a-z]+)>w+</2></1>') # 给()起名字 c = re.compile(r'<(?P<goudan>[a-z]+)><(?P<ergou>[a-z]+)>w+</(?P=ergou)></(?P=goudan)>') s = c.search('<div><a>百度一下</a></div>') if s: print(s.group())
-
贪婪匹配
- 贪婪：最大限度的匹配叫贪婪。正则的匹配默认是贪婪。
- 非贪婪：只要满足匹配条件，能少匹配就少匹配；通过可以使用'?'进行取消贪婪
- 示例：
import re # 取消任意多次的贪婪 # c = re.compile(r'a.*?b') # 取消至少一次的贪婪 c = re.compile(r'a.+?b') s = c.search('abdhsadjbsdjabs') if s: print(s.group())
-
匹配模式
- 说明：所谓模式就是对匹配的原则进行整体的修饰
- 示例：
import re # 忽略大小写的匹配 # c = re.compile(r'hello', re.I) # s = c.search('Hello world') # 进行多行匹配，默认单行匹配 # c = re.compile(r'^hello', re.M) # s = c.search('world hello') # 做为单行处理 或 让 . 能够匹配 c = re.compile(r'<div>.*?</div>', re.S) # string = '<div>hello</div>' string = '''<div> hello </div>''' s = c.search(string) if s: print(s.group())
-
字符转义
- 若匹配正则语法中的特定字符都需要进行转义
- 正则字符串会被处理两次，python中处理一次，re模块会在处理一次
- 若不想考虑字符的转义问题，可以在书写正则字符串时前面加一个字符'r'
- 添加'r'之后，在python不会再进行任何转义，只需在与正则语法相关的字符前加''即可让其使用原有意义