正则表达式(匹配字符串)
web界面正则匹配工具:
http://tool.chinaz.com/regex/
元字符
. 匹配除换行符之外的任意字符 w 匹配数字字母下划线 d 匹配数字 匹配制表符 匹配换行符 s 匹配空白符(包含,空格,制表符和换行符) 单词的边界 W 匹配非数字字母下划线 S 匹配非空白符 D 匹配非数字 ^ 匹配开始符 $ 匹配结束符 | 或者,如果是有包含关系的,长的放左边 [] 匹配字符组,具体的范围 [^...] 匹配非字符组中的字符 () 匹配括号内的是一组 转义符 如果在测试工具中测试正常的代码拿到python中,由于转义符的问题搞不定,那么就直接在字符串外面+r print('\\n') print('\n') print(r'\n') print(r' ') 事例: www.(baidu|google).com [0-9] == [0123456789] #表示0到9的所有数 [a-z]/[A-Z] 表示a到z/A-Z所有英文字母 [A-Za-z0-9] 表示数字和大小写字母 量词 贪婪匹配: 尽可能多的匹配(默认模式) {n} 匹配n次 {n,} 匹配至少n次至多无限次 {n,m} 匹配至少n次至多m次 * 匹配前面字符0次或多次 + 匹配前面字符1次或多次 非贪婪/惰性匹配 ? 匹配前面字符0次或1次(.*?) abbbx 正则^ab+?x,如果正则是^ab+?结果则是ab 总结 正则表达式: 不仅仅要能匹配出对的,还要尽量避免匹配错误的,提高精准度 分组的作用: 分组也可以和量词连用,表示这一个组遵循某个量词的约束 常用的非贪婪匹配 *? 重复任意次,但尽可能少重复 .*? 匹配前边任意字符,尽可能少的匹配 +? 重复1次或更多次,但尽可能少重复 ?? 重复0次或1次,但尽可能少重复 .?x 取尽量少的任意字符,直到一个x出现
re的功能是在python中执行正则表达式
re模块下的常用方法
import re
re.findall 正则 待匹配字符串,列表,所有符合的项
re.search 变量.group取结果,只有一项结果
re.match 变量.group取结果,默认在正则之前加上^
re.finditer 把匹配的结果存放在迭代器中
re.findall('正则表达式','带匹配的字符')
re.findall('正则表达式','带匹配的字符') ret = re.findall('d+','aaa83bbb38') print(ret) 结果 ['83', '38'] 事例2 ret = re.findall('d','aaa83bbb38') print(ret) 结果 ['8', '3', '3', '8'] # ?:把括号python中的分组变成了原来正则表达式中的分组 lst = re.findall(r"a(?:d+)c", "a123456c") l2 = re.findall(r"a(d+)c", "a123456c") print(lst) print(l2) 结果 ['a123456c'] ['123456']
re.finditer() #返回一个存放匹配结果的迭代器,节省空间
ret = re.finditer('d+','linux83admin60yuan25') print(ret) #直接打印返回的是一个迭代器 print(next(ret).group()) #查看第1个结果 for r in ret: #查看剩余的结果 print(r.group()) 结果 <callable_iterator object at 0x000001FF0EACEBA8> 83 60 25
search 搜索, 查找
一旦匹配到结果,直接返回,如果匹配不到结果,返回None
ret = re.search('d','aaa83bbb38') print(ret) #返回的匹配结果,而不是具体的值 print(ret.group()) #从左到右找到第一个匹配的取出 结果 <_sre.SRE_Match object; span=(4, 5), match='8'> 8 ret = re.search('d+','aaa83bbb22') print(ret.group()) 结果 83
match匹配,从头开始匹配,相当于在你正则前面加了一个^
ret = re.match('d+','83aaa222bbb38') print(ret.group()) 等于 ret = re.search('^d+','83aaa222bbb38') print(ret) 结果 83
search和match的区别:
search查找,找到了结果就返回
match,从头开始匹配
案例:爬取电影天堂
import re from urllib.request import urlopen content = urlopen("https://www.dytt8.net/html/gndy/dyzz/20181228/57986.html").read().decode("gbk") # print(content) reg = r'<div id="Zoom">.*?片 名(?P<name>.*?)<br />◎年 代(?P<years>.*?)<br />.*?◎上映日期(?P<date>.*?)<br />'+ '.*?◎主 演(?P<main>.*?)◎简 介.*?<td style="WORD-WRAP: break-word" bgcolor="#fdfddf"><a href="(?P<download>.*?)">' it = re.finditer(reg, content, re.S) # re.S 去掉.里面的 for el in it: print(el.group("name")) print(el.group("years")) print(el.group("date")) print(el.group("main").replace("<br /> ", ", ")) print(el.group("download")) 结果 黄金兄弟 / 新古惑仔 / 新版古惑仔 / 黄金七十二小时 2018 2018-09-20(中国香港) / 2018-09-21(中国) 郑伊健 Ekin Cheng , 陈小春 Jordan Chan , 谢天华 Michael Tse , 钱嘉乐 Kar Lok Chin , 林晓峰 Jerry Lamb , 曾志伟 Eric Tsang , 佘诗曼 Charmaine Sheh , 张雅玫 Yamei Zhang <br /><br /> ftp://ygdy8:ygdy8@yg45.dydytt.net:8373/阳光电影www.ygdy8.com.黄金兄弟.BD.720p.粤语中字.mkv