我理解的正则表达式:
正则表达式就是用于字符(串)匹配时的一种描述字符串的表达式。
关于正则表达式:
预定义的字符类
- 用
d
可以匹配一个数字; - 用D表示非数字字符[^d]
用w
可以匹配一个字母或数字;- 用W表示非单词字符[^w]
- s表示空白字符[空格 fv]
- S非空白字符[^s]
数量词
- 用. 可以匹配任意除换行( )字符;因此匹配的只能同一行的字符;再点任意匹配模式下可以匹配换行符
- 用
*
表示任意个字符(包括0个); - 用
+
表示至少一个字符; - 用
?
表示0个或1个字符;还可以使 +,.,?,*,{n,m}数量词变成非贪婪模式 - 用
{n}
表示n个字符; - 用
{n,m}
表示n-m个字符; - 如‘d+-w*s{2-8}w?描述的就是:123-a 2或1-________(_表示空格);
字符集
[0-9a-zA-Z\_]
可以匹配一个数字、字母或者下划线;[0-9a-zA-Z\_]+
可以匹配至少由一个数字、字母或者下划线组成的字符串,比如'a100'
,'0_Z'
,'Py3000'
等等;[a-zA-Z\_][0-9a-zA-Z\_]*
可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的变量;[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}
更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符);A|B
可以匹配A或B,所以(A|a)m
可以匹配'Am'
或者'am';
边界匹配
^
表示行的开头,^d
表示必须以数字开头;$
表示行的结束,d$
表示必须以数字结束;- A仅匹配字符串开头
- 仅匹配字符串末尾
- 匹配w和W之间的 ???????????????????
- B 匹配[^]
- 表示为转义字符,在python的原生字符串r‘’里应用比较直观方便
Python内的正则表达式运用re模块
检验正则表达式最好用的函数match()
- 判断是否匹配,如果匹配成功,返回一个
Match
对象,否则返回None;
- re模块的匹配过程:正则表达式文本----编译----->正则表达式对象----匹配---->待匹配文本---->匹配结果。
- patternr =re.compile(r‘正则表达式’) ----------编译
- math = pattern.match('待匹配字符串') ----------匹配
- print match.group() ----------结果
re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法,用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式,取值可以使用按位或运算符'|'表示同时生效,比如re.I | re.M。另外,你也可以在regex字符串中指定模式,比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。
可选值有:
- re.I(re.IGNORECASE): 忽略大小写
- re.M(MULTILINE): 多行模式,改变'^'和'$'的行为
- re.S(DOTALL): 点任意匹配模式,改变'.'的行为
- re.L(LOCALE): 使预定字符类 w W B s S 取决于当前区域设定
- re.U(UNICODE): 使预定字符类 w W B s S d D 取决于unicode定义的字符属性
re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。以下两个正则表达式是等价的:
re.compile(r"""d + # the integral part . # the decimal point d * # some fractional digits""", re.X) re.compile(r"d+.d*")
Match
Match对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用Match提供的可读属性或方法来获取这些信息。
属性:
- string: 匹配时使用的文本。
- re: 匹配时使用的Pattern对象。
- pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。
- lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。
方法:
- group([group1, …]):
获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。 - groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。 - groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。 - start([group]):
返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。 - end([group]):
返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。 - span([group]):
返回(start(group), end(group))。 - expand(template):
将匹配到的分组代入template中然后返回。template中可以使用id或g<id>、g<name>引用分组,但不能使用编号0。id与g<id>是等价的;但10将被认为是第10个分组,如果你想表达1之后是字符'0',只能使用g<1>0。
import re m = re.match(r'(w+) (w+)(?P<sign>.*)', 'hello world!') print "m.string:", m.string print "m.re:", m.re print "m.pos:", m.pos print "m.endpos:", m.endpos print "m.lastindex:", m.lastindex print "m.lastgroup:", m.lastgroup print "m.group(1,2):", m.group(1, 2) print "m.groups():", m.groups() print "m.groupdict():", m.groupdict() print "m.start(2):", m.start(2) print "m.end(2):", m.end(2) print "m.span(2):", m.span(2) print r"m.expand(r'2 13'):", m.expand(r'2 13') ### output ### # m.string: hello world! # m.re: <_sre.SRE_Pattern object at 0x016E1A38> # m.pos: 0 # m.endpos: 12 # m.lastindex: 3 # m.lastgroup: sign # m.group(1,2): ('hello', 'world') # m.groups(): ('hello', 'world', '!') # m.groupdict(): {'sign': '!'} # m.start(2): 6 # m.end(2): 11 # m.span(2): (6, 11) # m.expand(r'2 13'): world hello!
Pattern
Pattern对象是一个编译好的正则表达式,通过Pattern提供的一系列方法可以对文本进行匹配查找。Pattern不能直接实例化,必须使用re.compile()进行构造。
Pattern提供了几个可读属性用于获取表达式的相关信息:
- pattern: 编译时用的表达式字符串。
- flags: 编译时用的匹配模式。数字形式。
- groups: 表达式中分组的数量。
- groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典,没有别名的组不包含在内。
import re p = re.compile(r'(w+) (w+)(?P<sign>.*)', re.DOTALL) print "p.pattern:", p.pattern print "p.flags:", p.flags print "p.groups:", p.groups print "p.groupindex:", p.groupindex ### output ### # p.pattern: (w+) (w+)(?P<sign>.*) # p.flags: 16 # p.groups: 3 # p.groupindex: {'sign': 3}
实例方法
1、match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
这个方法将从string的pos下标处起尝试匹配pattern;如果pattern结束时仍可匹配,则返回一个Match对象;如果匹配过程中pattern无法匹配,或者匹配未结束就已到达endpos,则返回None。
>>> import re >>> re.match(r'<link rel="(.+)" href="//(.+)" />','<link rel="dns-prefetch" href="//g.alicdn.com" />') <_sre.SRE_Match object at 0x0000000002B6FE88> >>> re.match(r'<link rel="(.+)" href="//(.+)" />','<link reB="dns-prefetch" href="//g.alicdn.com" />') >>>
2、search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern,如果pattern结束时仍可匹配,则返回一个Match对象;若无法匹配,则将pos加1后重新尝试匹配;直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string));re.search()无法指定这两个参数,参数flags用于编译pattern时指定匹配模式。
# encoding: UTF-8 import re pattern = re.compile(r'world') match = pattern.search('hello world!') print match.group() ### Output ### # world
3、split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数,不指定将全部分割。
p = re.compile(r'd+') print p.split('one1two2three3four4') ### output ### # ['one', 'two', 'three', 'four', '']
4、findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string,以列表形式返回全部能匹配的子串。
p = re.compile(r'd+') print p.findall('one1two2three3four4') ### output ### # ['1', '2', '3', '4']
5、finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。
p = re.compile(r'd+') for m in p.finditer('one1two2three3four4'): print m.group(), ### output ### # 1 2 3 4
6、sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时,可以使用id或g<id>、g<name>引用分组,但不能使用编号0。
当repl是一个方法时,这个方法应当只接受一个参数(Match对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。
count用于指定最多替换次数,不指定时全部替换。
p = re.compile(r'(w+) (w+)') s = 'i say, hello world!' print p.sub(r'2 1', s) def func(m): return m.group(1).title() + ' ' + m.group(2).title() print p.sub(func, s)#此处函数func内传入的参数为re.match的返回值
#print func(re.match(p,s)) 的输出为I Say
#可见此处函数(sub)的执行特点相当于执行了两次re.match ###output ### # say i, world hello! # I Say, Hello World!
7、subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。
p = re.compile(r'(w+) (w+)') s = 'i say, hello world!' print p.subn(r'2 1', s) def func(m): return m.group(1).title() + ' ' + m.group(2).title() print p.subn(func, s) ### output ### # ('say i, world hello!', 2) # ('I Say, Hello World!', 2)
8、爬虫常用的几个函数
def getHtml(url): page = urllib.urlopen(url) html =page.read() return html def GetLink(html): # reg = r'<link rel="(.+)" href="//(.+)" />'#正则表达式模板 imgre = re.compile(reg) imglist = re.findall(imgre,html) return imglist
参考:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html