Day-22 基礎模組3 正則表示式_re模組
一、正則表示式
正則表示式是對字串操作的一種邏輯公式. 我們一般使用正則表示式對字串進行匹配和過濾. 使用正則的優缺點:
優點: 靈活, 功能性強, 邏輯性強.
缺點: 上手難. 一旦上手, 會愛上這個東西
1.字元組
字元組很簡單用[]括起來. 在[]中出現的內容會被匹配. 例如:[abc] 匹配a或b或c 如果字元組中的內容過多還可以使用- , 例如: [a-z] 匹配a到z之間的所有字母 [0-9]匹配所有阿拉伯數字
2.簡單元字元
常用的元字元
. 匹配除換行符以外的任意字元 \w 匹配字母或數字或下劃線 \s 匹配任意的空白符 \d 匹配數字 \n 匹配一個換行符 \t 匹配一個製表符 \b 匹配一個單詞的結尾^ 匹配字串的開始 $ 匹配字串的結尾 \W 匹配非字母或數字或下劃線 \D 匹配非數字 \S 匹配非空白符 a|b 匹配字元a或字元b () 匹配括號內的表示式,也表示一個組 [...] 匹配字元組中的字元 [^...] 匹配除了字元組中字元的所有字元
3.量詞
我們到目前匹配的所有內容都是單一文字元號. 那如何一次性匹配很多個字元呢,我們要用到量詞
* 重複零次或更多次 + 重複一次或更多次 ? 重複零次或一次 {n} 重複n次 {n,} 重複n次或更多次 {n,m} 重複n到m次
4.貪婪匹配和惰性匹配
在量詞中的*, +,{} 都屬於貪婪匹配. 就是儘可能多的匹配到結果.
str: 麻花藤昨天讓英雄聯盟關服了 reg: 麻花藤.* 此時匹配的是整句話
在使用.*後面如果加了? 則是儘可能的少匹配. 表示惰性匹配
str: 麻花藤昨天讓英雄聯盟關服了 reg: 麻花藤.*? 此時匹配的是 麻花藤 str: <div>胡辣湯</div> reg: <.*> 結果: <div>胡辣湯</div> str: <div>胡辣湯</div> reg: <.*?> 結果: <div> </div> str:<div>胡辣湯</div> reg: <(div|/div*)?> 結果: <div> </div>
. *?x的特殊含義 找到下一個x為止.
str: abcdefgxhijklmn reg: .*?x 結果:abcdefgx
5.分組
在正則中使用()進行分組. 比如. 我們要匹配一個相對複雜的身份證號. 身份證號分成兩種. 老的身份證號有15位. 新的身份證號有18位. 並且新的身份證號結尾有可能是x.
給出以下正則: ^[1-9]\d{13,16}[0-9x]$ ^[1-9]\d{14}(\d{2}[0-9x])?$ ^([1-9]\d{16}[0-9x]|[1-9]\d{14})$
6.轉義
在正則表示式中, 有很多有特殊意義的是元字元, 比如\n和\s等,如果要在正則中匹配正常的"\n"而不是"換行符"就需要對"\"進行轉義, 變成'\\'.在python中, 無論是正則表示式, 還是待匹配的內容, 都是以字串的形式出現的, 在字串中\也有特殊的含義, 本身還需要轉義. 所以如果匹配一次"\n", 字串中要寫成'\\n', 那麼正則⾥就要寫成"\\\\n",這樣就太麻煩了.這個時候我們就用到了r'\n'這個概念, 此時的正則是r'\\n'就可以了.
二、re模組
re模組是python提供的一套關於處理正則表示式的模組. 核心功能有四個:
1.findall 查詢所有. 返回list
lst = re.findall("m", "mai le fo len, mai ni mei!") print(lst) # ['m', 'm', 'm'] lst = re.findall(r"\d+", "5點之前. 你要給我5000萬") print(lst) # ['5', '5000']
2. search 會進行匹配. 但是如果匹配到了第一個結果. 就會返回這個結果. 如果匹配不上search返回的則是None
ret = re.search(r'\d', '5點之前. 你要給我5000萬').group() print(ret) # 5
3. match 只能從字串的開頭進行匹配
ret = re.match('a', 'abc').group() print(ret) # a
4. finditer 和findall差不多. 只不過這時返回的是迭代器
it = re.finditer("m", "mai le fo len, mai ni mei!") for el in it: print(el.group()) # 依然需要分組
5.其他操作
ret = re.split('[ab]', 'qwerafjbcd') # 先按'a'分割得到'qwer'和'fjbcd',在對'qwer'和'fjbcd'分別按'b'分割 print(ret) # ['qwer', 'fj', 'cd'] ret = re.sub(r"\d+", "_sb_", "alex250taibai250wusir250ritian38") # 把字串中的數字換成__sb__ print(ret) # alex_sb_taibai_sb_wusir_sb_ritian_sb_ ret = re.subn(r"\d+", "_sb_", "alex250taibai250wusir250ritian38") # 將數字替換成'__sb__',返回元組(替換的結果,替換了多少次) print(ret) # ('alex_sb_taibai_sb_wusir_sb_ritian_sb_', 4) obj = re.compile(r'\d{3}') # 將正則表示式編譯成為一個 正則表示式物件, 規則要匹配的是3個數字 ret = obj.search('abc123eeee') # 正則表示式物件呼叫search, 引數為待匹配的字串 print(ret.group()) # 結果: 123 爬蟲重點: obj = re.compile(r'(?P<id>\d+)(?P<name>e+)') # 從正則表示式匹配的內容每個組起名字 ret = obj.search('abc123eeee') # 搜尋 print(ret.group()) # 結果: 123eeee print(ret.group("id")) # 結果: 123 # 獲取id組的內容 print(ret.group("name")) # 結果: eeee # 獲取name組的內容
6.兩個坑
注意: 在re模組中和我們線上測試工具中的結果可能是不一樣的.
ret = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com') print(ret) # ['oldboy'] 這是因為findall會優先把匹配結果組裡內容返回,如果想要匹配結果,取消許可權即可 ret = re.findall('www.(?:baidu|oldboy).com', 'www.oldboy.com') print(ret) # ['www.oldboy.com']
split裡也有一個坑
ret=re.split("\d+","eva3egon4yuan") print(ret) #結果 : ['eva', 'egon', 'yuan'] ret=re.split("(\d+)","eva3egon4yuan") print(ret) #結果 : ['eva', '3', 'egon', '4', 'yuan'] #在匹配部分加上()之後所切出的結果是不同的, #沒有()的沒有保留所匹配的項,但是有()的卻能夠保留了匹配的項, #這個在某些需要保留匹配部分的使用過程是非常重要的。