【卷一】正则表达式二

正则表达式一般是爬虫用的，下面我们就通过一题多解来学习下正则表达式

参考:《Python核心编程(3rd)》—P33

 

.   :     句点或者说点号，匹配任意字符，但不包括换行符 '\n'
+  :     匹配前面的字符1次或多次
\w：    匹配1个字母或数字,
\w+:   匹配一个单词或多个字母,数字等
\d :     匹配1个数字, \d+: 匹配多个数字
\s :     匹配1个空格, \s+: 匹配多个空格,
\s\s+: 至少匹配2个空格
a|b:    管道符号，匹配a或者b, 也叫择一匹配
[A-Za-z]: 匹配A-Z和a-z的任一个字母

 

下面是我们要分割的内容，先把字符串data按照行分割成列表

# coding: utf-8

import re

data = """
System                           4 Services                   0        388 K
smss.exe                       408 Services                   0      1,440 K
System Idle Process              0 Services                   0         24 K
"""

data = data.split("\n")

这是我们要得到的结果，下面列出几种正则表达式的写法

[('System ', '4', '388 K')]
[('smss.exe ', '408', '1,440 K')]
[('System Idle Process ', '0', '24 K')]

 

方法一:

这种方法缺点是无法去除元组第一个元素后面的空格，但因句点 '.' 可匹配

除'\n' 外的任何字符，故可匹配像 'vmware-hostd.exe' 这样的进程

推荐第 3 种形式

# 把上面的代码copy下来

for i in data:
    # (?: )与 '|'
    print re.findall(r"((?:\w+.)+)\s\s+(\d+) \w+\s\s+\d\s\s+(\d+ K|\d+,\d+ K)", i) 
    # (?: )与 '(?:|)'
    #print re.findall(r"((?:\w+.)+)\s\s+(\d+) \w+\s\s+\d\s\s+((?:\d+|\d+,\d+) K)", i)      
    # (?: )与 '[]'
    #print re.findall(r"((?:\w+.)+)\s\s+(\d+) \w+\s\s+\d\s\s+([\d+,]+ K)", i)

     

结果如下:

注意，((?:\w+.)+)写成((?:\w.)+)也可以输出，问题是有些进程名称像smss.exe

会变成 'mss.exe'，因为只有点号 '.' 能匹配点，所以为了能匹配成功，只能 \w.\w.

这样匹配

(?: )是不保存匹配的分组，一般我们用括号圈起来的内容就是我们要的数据，

也就是findall()显示的东西，再看一下下面的例子，就清楚了

# coding: utf-8

import re

d = "System Idle Process              0 Services                   0         24 K"

# 我们要的是System到Process，0到Service的部分，而(\w+.)只是((\w+.)+)匹配的字符的末尾，也就是
# 'Process ', 'Service'等等, ((\w+.)+)其实是两个子组(可以简单理解为用括号圈起来的就是子组)
print re.findall(r"((\w+.)+)", d)
print "-" * 40
print re.findall(r"(\w+.)+", d) 
print "-" * 40
print re.findall(r"((?:\w+.)+)", d)

 

-----------------------------------------------------------------------------------------------------------

方法2:

优点是去除了元组第一个元素后面的空格，但由于句点 '.' 在[ ]内只能匹配其本身'.',

所以无法匹配像vmware-hostd.exe带减号的进程名，个人感觉方法一比较顺手！！

# coding: utf-8

import re

data = """
System                           4 Services                   0        388 K
smss.exe                       408 Services                   0      1,440 K
System Idle Process              0 Services                   0         24 K
"""

data = data.split("\n")

for i in data:
    # '*'是匹配前面的字符0次或1次，注意这里不能用'+'替代,比如System并没有后面的单词
    print re.findall(r"([\w.]+(?: \w+)*)\s\s+(\d+) \w+\s\s+\d+\s\s+([\d,]+ K)", i)

当有多重括号时，要根据需要的内容看是否保留分组，从而判断是否加 (?: )

注意:

'[]' 里的句点 '.' 和 '+' 只是表示普通的符号，并没有其他作用 !!!

这里容易出错的是把'[\w.]+' 写成'[\w+. ]'加空格的形式，'(\w|.)+' 也是比较容易错的写法，

因为+是匹配前的字符1或任意次，这两种写法都会导致元组第一个元素匹配多个空白字符，因

为\s\s+只是至少匹配2个空格，意味着前面匹配完后最多只要留下2个空格给后面的\s\s+元素

就行了。

类似的错误还有(~| )+ 和 (~|.)+