Python正则表达式

发表于 | 分类于

Ed55yq.png

如何把一个字符串的特征或规则告诉给计算机，让计算机知道你要描述的东西。被称为正则。

了解正则表达式

正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。

如何把一个字符串的特征或规则告诉给计算机，让计算机知道你要描述的东西。被称为正则。

re模块操作

Python当中提供正则表达式的基本模块

模块当中提供了一些关于正则的方法

1
1、re.match(正则表达式,要匹配的字符串)

若字符串匹配正则表达式则match方法返回匹配对象，否则返回None

也可以在Match对象上用group()方法提取出子串来 如下

EaxNyF.md.jpg

正则表达式的匹配规则

表示字符

字符 功能
. 匹配任意1个字符（除了\n）
[ ] 匹配[ ]中列举的字符
\d 匹配数字，即0-9
\D 匹配非数字，即不是数字
\s 匹配空白，即 空格，tab键
\S 匹配非空白
\w 匹配单词字符，即a-z、A-Z、0-9、_
\W 匹配非单词字符

表示数量

字符 功能
* 匹配前一个字符出现0次或者无限次，即可有可无
+ 匹配前一个字符出现1次或者无限次，即至少有1次
? 匹配前一个字符出现1次或者0次，即要么有1次，要么没有
{m} 匹配前一个字符出现m次
{m,} 匹配前一个字符至少出现m次
{m,n} 匹配前一个字符出现从m到n次

表示边界

字符 功能
^ 匹配字符串开头
$ 匹配字符串结尾
\b 匹配一个单词的边界
\B 匹配非单词边界

匹配分组

字符 功能
\ \ 匹配左右任意一个表达式
(ab) 将括号中字符作为一个分组
\num 引用分组num匹配到的字符串
(?P<name>) 分组起别名
(?P=name) 引用别名为name分组匹配到的字符串

更精准匹配

要做更精确地匹配，可以用[]表示范围

比如匹配手机号 在大陆手机号的第一位都是1

而第二位貌似只能是 3,4,5,7,8

那么要做到更精准我们可以这样写

EdSC4I.md.png

上面有/d /D 大写表示取反的作用那[]也是可以取反的

EdSebQ.md.png

前面加一个^就表示对括号里面的取反

小练习:匹配手机号的正则表达式

1
2
3
>>> import re
>>> re.match("^1[35678]\d{9}$","18711111111")
<re.Match object; span=(0, 11), match='18711111111'>

原始字符串

这块我最开始也是比较懵的 可能有点难理解

Python中字符串前面加上 r 表示原生字符串，

与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”\“，那么使用编程语言表示的正则表达式里将需要4个反斜杠”\“：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。

像用'\\\\'来匹配\的处理办法看上去太丑陋了。为了简化理解和操作，Python提供了原始字符串

EdYm11.md.png

'\\\\'在正则匹配函数中先被理解为'\\'，而'\\'用来匹配待处理字符串，则再一次被理解为用\来匹配字符串。

实际案例

匹配出0-100之间的数字

1
2
3
4
5
6
7
>>> import re
>>> re.match(r"[1-9]?\d?$|100$","0")
<re.Match object; span=(0, 1), match='0'>
>>> re.match(r"[1-9]?\d?$|100$","100")
<re.Match object; span=(0, 3), match='100'>
>>> re.match(r"[1-9]?\d?$|100$","52")
<re.Match object; span=(0, 2), match='52'>

分组提取

1
2
3
4
5
>>> result = re.match(r"<h1>(.*)</h1>","<h1>匹配分组</h1>")
>>> result.group()
'<h1>匹配分组</h1>'
>>> result.group(1)
'匹配分组'

正则表达式中出现了一个括号 所以group(1)会提取出第一个括号里的内容

1
2
3
4
5
6
7
>>> result = re.match(r"(<h1>)(.*)(</h1>)","<h1>匹配分组</h1>")
>>> result.group(1)
'<h1>'
>>> result.group(3)
'</h1>'
>>> result.group(0)
'<h1>匹配分组</h1>'

group(0) 会提取出整个内容

分组进阶提取

我们都知道html标签都是会成对出现的

那么我们应该写一个可以成对匹配的正则表达式

1
2
3
4
5
>>> s = "<html><h1>itcast</h1></html>"
>>> re.match(r"<(.+)><(.+)>.+</\2></\1>",s)// \1表示第一个分组 \2表示第二个分组
<re.Match object; span=(0, 28), match='<html><h1>itcast</h1></html>'>
>>> s = "<html><h1>itcast</h2></script>"
>>> re.match(r"<(.+)><(.+)>.+</\2></\1>",s)

Ed6con.md.png

橙色框的案例 前后标签不同所以无法匹配

看起来这样做确实很不错 不过我如果有一万个分组那该怎么办

挨个数然后</\10000>么 显然不可能

还有一种方法 前面匹配的表里有些写过

给分组命名

1
2
3
4
import re

ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h1></html>")
ret.group()

re模块高级用法

search方法与match方法极其类似，区别在于match()函数只检测re是不是在string的开始位置匹配，search()会扫描整个string查找匹配，match（）只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回None。同样，search方法的返回对象同样match()返回对象的方法和属性

Edf8L8.png

这种情况下match就无法匹配

re.findall

以列表形式返回全部能匹配的子串

符合匹配以后会继续往下寻找匹配的字符串

EdfWWR.png

re.sub

将匹配到的数据进行替换

Edf5y6.png

将标签替换为空 意思是只匹配文字

执行后效果为

Edfvlt.png

re.split

根据匹配进行切割字符串，并返回一个列表

1
2
3
4
5
#split 匹配切割字符串
>>>c = "ctf:php,python,web-misc"
>>>d = re.split(r":|,|-",c)//用(: , -)为依据 分割字符串
>>>print(d)
['ctf', 'php', 'python', 'web', 'misc']

贪婪和非贪婪

Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；

非贪婪则相反，总是尝试匹配尽可能少的字符。

在”*”,”?”,”+”,”{m,n}”后面加上？，使贪婪变成非贪婪。

1
2
3
4
5
6
7
>>> s="This is a number 234-235-22-423"
>>> r=re.match(".+(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'4-235-22-423'
>>> r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'234-235-22-423'

正则表达式模式中使用到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串，在我们上面的例子里面，“.+”会从字符串的启始处抓取满足模式的最长字符，其中包括我们想得到的第一个整型字段的中的大部分，“\d+”只需一位字符就可以匹配，所以它匹配了数字“4”，而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。

解决方式：非贪婪操作符“？”，这个操作符可以用在”*”,”+”,”?”的后面，要求正则匹配的越少越好。

小练习

1提取图片链接

Ed5aJH.png

1
2
3
4
5
6
7
8
9
10
e = 
"""

<img dataoriginal="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" src="https://rpic.ucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" style="display: inline;">

"""

f = re.search("http.+?\.jpg",e)

print(f.group())

结果为

1
https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg

2提取网址

1
http://www.interoem.com/messageinfo.asp?id=35

正则提取后为

1
http://www.interoem.com/

代码为

1
2
3
g = "http://www.interoem.com/messageinfo.asp?id=35"
h = re.sub("(http://.+?/).*",lambda x:x.group(1),g)
print(h)