内容梗概:
1. 正则表达式
2. re模块的使⽤
3. 一堆练习
正则表达式是对字符串串操作的一种逻辑公式. 我们一般使用正则表达式对字符串进行匹配和过滤.
使用正则的优缺点:
优点: 灵活,功能性强,逻辑性强.
缺点: 上手难.一旦上手,会爱上这个东西
正则表达式由普通字符和元字符组成. 普通字符包含大小写字母,数字.\
在匹配普通字符的时候我们直接写就可以了
元字符(重点): 元字符才是正则表达式的灵魂. 元字符中的内容太多了了, 在这⾥里里我们只介绍⼀一些常⽤用的.
1. 字符组
字符组很简单⽤用[]括起来. 在[]中出现的内容会被匹配. 例例如:[abc] 匹配a或b或c
如果字符组中的内容过多还可以使⽤用- , 例例如: [a-z] 匹配a到z之间的所有字⺟母 [0-9]
匹配所有阿拉伯数字
2. 简单元字符
.常用的基本的元字符
. 匹配除换行符以外的任意字符
\w 匹配字母或数字或下划线
\s 匹配任意的空⽩白符
\d 匹配数字
\n 匹配一个换⾏行行符
\t 匹配一个制表符
\b 匹配一个单词的结尾
^ 匹配字符串的开始
$ 匹配字符串的结尾
\W 匹配非字母或数字或下划线
\D 匹配非数字
\S 匹配非空白符
a|b 匹配字符a或字符b
() 匹配括号内的表达式，也表示一个组
[...] 匹配字符组中的字符
[^...] 匹配除了字符组中字符的所有字符
3. 量词
我们到目前匹配的所有内容都是单一文字符号. 那如何一次性匹配很多个字符呢,
常用量词
* 重复零次或更多次
+ 重复一次或更多次
? 重复零次或一次
{n} 重复n次
{n,} 重复n次或更更多次
{n,m} 重复n到m次
4. 惰性匹配和贪婪匹配
在量词中的*, +,{} 都属于贪婪匹配. 就是尽可能多的匹配到结果.
str: 麻花藤昨天让英雄联盟关服了了
reg: 麻花藤.*
此时匹配的是整句句话
在使⽤用.*后⾯面如果加了? 则是尽可能的少匹配. 表⽰示惰性匹配
str: 麻花藤昨天让英雄联盟关服了了
reg: 麻花藤.*?
此时匹配的是 麻花藤
2. re模块
re模块是python提供的一套关于处理理正则表达式的模块. 核心功能有四个:
1.re.findall()
2.re.finditer()
3.re.search()
4.re.match()
import re
lis = re.findall("\w+","alex is a bitch")
print(lis)
lis = re.finditer("\w+","alex is a bitch")
for el in lis:
print(el.group())
a = re.search("e","alex is a bitch").group()
print(a)
c = re.match("alex","alex is a bitch").group()
print(c)
注意的点:
lis = re.findall("www.(baidu|oldboy).com", "www.baidu.com")
print(lis) #结果为baidu
lis = re.findall("www.(?:baidu|oldboy).com", "www.baidu.com")
print(lis) #结果为"www.baidu.com"
5.其他模块
lis = re.split("(is)","alex is abs sb and a big sb")
print(lis)
lis = re.sub("sb","goodman","alex is abs sb and a big sb")
print(lis)
lis = re.subn("sb","goodman","alex is abs sb and a big sb")
# print(lis)
特别注意:compile 爬虫的时候用的会比较多,要掌握用法
obj = re.compile("sb")
lis = obj.sub("goodman","alex is a sb and a big sb")
print(lis)
obj = re.compile("sb")
# lis = obj.split("alex is a sb and a big sb")
# print(lis)
obj = re.compile(r"alex(?P<ID>\d+)a")
lis = obj.search("alex250a260sb300anda125big852sb")
print(lis.group())
print(lis.group("ID"))
