正则表达式

正则表达式

应用场景

• 特定规律字符串的查找切割替换等

• 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

• 只要使用字符串等函数解决的问题，就不要使用正则

• 正则的效率比较低，同时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；在不指定功能的情况下，不要试图阅读别人的正则。

基本使用

• 说明：正则不是我们写的，python中正则的解析通过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，没有返回None。

  • search：从任意位置匹配，功能同上。

    # 从开头查找，找到返回正则匹配结果对象，没有找到返回None
    # m = re.match('abc', 'abcdask;jabcsdajl')
    # 从任意位置查找，功能同上
    m = re.search('abc', 'shdalsjdabchaoeor')
    ​
    if m:
        # 返回匹配的内容
        print(m.group())
        # 返回匹配内容位置
        print(m.span())

  • findall：全部匹配，返回匹配到的内容组成的列表，没有返回空列表。

  # 匹配所有内容，找到返回所有匹配的内容列表，没有找到返回空列表

  f = re.findall('abcd', 'adsjkjdabcajsdlasabcjsdlaabc')
  print(f)
  compile：生成正则表达式对象
  
  # 先生成正则表达式对象
  c = re.compile('hello')
  # print(type(c))
  ​
  # 从开头匹配
  m = c.match('hellosadk;ask;kahellosadhlkas')
  print(m)
  ​
  # 从任意位置匹配
  s = c.search('hadlsjasdhellokjsdlks')
  print(s)
  ​
  # 匹配所有内容
  f = c.findall('hellosdhasdjahelloshdajldhello')
  print(f)

  说明：此方式更加灵活，将正则匹配分为两步完成(先生成正则对象，然后需要时进行匹配)

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之间的任意字符(所有的小写字母)
      [a-zA-Z]：匹配所有的字母，多个连续的片段中间不能有任何多余的字符
      [^0-9]：匹配除0-9以外的任意字符
  . ：匹配除'\n'以外的任意字符
  \d：数字字符，等价于[0-9]
  \D：非数字字符，等价于[^0-9]
  \w：匹配字(数字、字母、下划线、汉字)
  \W：匹配非字(\w相反的内容)
  \s：所有的空白字符(\n、\t、\r、空格)
  \S：非空白字符(\s相反的内容)
  \b：词边界(开头、结尾、空格、标点等)
  \B：非词边界(\b相反的内容)

• 次数限定

  *：前面的字符出现任意次
  +：至少一次
  ?：最多一次
  {m,n}：m <= 次数 <= n
  {m,}：至少m次
  {,n}：至多n次
  {m}：指定m次

• 边界限定

  • ^：以指定的内容开头

  • $：以指定的内容结束

  • 示例：

    import re
    ​
    # ^：以指定内容开头
    # f = re.findall('^hello', 'hellosjdhelloalskdhello')
    ​
    # $：以指定内容结尾
    f = re.findall('hello$', 'hellosjdhelloalskdhello')
    ​
    print(f)

• 优先级控制

  • |：表示或，它拥有最低的优先级

  • ()：表示一个整体，可以明确的指定结合性/优先级

  • 示例：

    import re
    ​
    f = re.findall('a(hello|world)c', 'sahdjsahellocaworldcjsdhs')
    ​
    print(f)

• 分组匹配

  • 示例1:

    import re
    ​
    c = re.compile(r'(\d+)([a-z]+)(\d+)')
    ​
    s = c.search('sdsdj235sadhasjd36432sjdha')
    ​
    # 完整匹配结果
    print(s.group(), s.span())
    # 等价于上式
    print(s.group(0), s.span(0))
    # 第几个()匹配的结果
    print(s.group(1), s.span(1))
    print(s.group(2), s.span(2))
    print(s.group(3), s.span(3))

  • 示例2:

    import re
    ​
    # 固定匹配
    # c = re.compile(r'<a>\w+</a>')
    ​
    # \1表示前面第一个()匹配的内容
    # c = re.compile(r'<([a-z]+)><([a-z]+)>\w+</\2></\1>')
    ​
    # 给分组()起名字
    c = re.compile(r'<(?P<goudan>[a-z]+)><(?P<dahua>[a-z]+)>\w+</(?P=dahua)></(?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。正则的匹配默认就是贪婪的。

  • 非贪婪：只要满足条件，能少匹配就少匹配。'?'经常用于取消贪婪

  • 示例：

    import re
    ​
      # ?：取消任意多次的贪婪匹配
      # c = re.compile(r'a.*?b')
    ​
      # ?：取消至少一次的贪婪匹配
      c = re.compile(r'a.+?b')
    ​
      s = c.search('ssjdsdabjdsd')
    ​
      if s:
          print(s.group()) 

• 匹配模式

  • 说明：所谓匹配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re.I
    s = re.search(r'hello', 'HELLO world', re.I)
    ​
    # 正则默认是单行匹配，使用 re.M 可以进行多行匹配
    s = re.search(r'^hello', 'sdhasdh\nhello world', re.M)
    ​
    # 使.匹配任意字符，作为单行处理，忽略\n
    # string = '<div>hello</div>'
    string = '''<div>
    hello
    </div>'''
    s = re.search(r'<div>.*?</div>', string, re.S)
    ​
    if s:
        print(s.group())

练习

• 邮箱格式的匹配

  #邮箱格式的匹配
  import re
  c = re.compile(r'^\w+@(\w+\.)+(com|cn|edu|net)$')
  string = 'lijie@100phone.com'
  # string = 'lijie@100phone.com.cn'
  # string = 'lijie@100phone.edu'
  s = c.search(string)
  if s:
      print(s.group())

• 手机号码的匹配

  #手机号码的匹配
  import re
  x = r'^(1[3578]\d{9}|147\d{8})$'
  print(re.match(x,'18768853995').group())