正则表达式
正则表达式概述
正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），是计算机科学的一个概念。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。
Regular Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思，Regular Expression即“描述某种规则的表达式”之意。
re模块操作
在Python中需要通过正则表达式对字符串进行匹配的时候，可以使用一个模块，名字为re
1. re模块的使用过程
#coding=utf-8 # 导入re模块 import re # 使用match方法进行匹配操作 result = re.match(正则表达式,要匹配的字符串) # 如果上一步匹配到数据的话，可以使用group方法来提取数据 result.group()
re.match是用来进行正则匹配检查的方法，若字符串匹配正则表达式，则match方法返回匹配对象（Match Object），否则返回None（注意不是空字符串""）。
匹配对象Macth Object具有group方法，用来返回字符串的匹配部分。
2. re模块示例(匹配以itcast开头的语句)
#coding=utf-8
import re
result = re.match("itcast","itcast.cn")
result.group()
运行结果为：
itcast
3. 说明
- re.match() 能够匹配出以xxx开头的字符串
表示字符
在上一小节中，了解到通过re模块能够完成使用正则表达式来匹配字符串
本小节，将要讲解正则表达式的单字符匹配
| 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 |
示例1： .
#coding=utf-8 import re ret = re.match(".","a") ret.group() ret = re.match(".","b") ret.group() ret = re.match(".","M") ret.group()
运行结果：
示例2：[ ]
#coding=utf-8 import re # 如果hello的首字符小写，那么正则表达式需要小写的h ret = re.match("h","hello Python") ret.group() # 如果hello的首字符大写，那么正则表达式需要大写的H ret = re.match("H","Hello Python") ret.group() # 大小写h都可以的情况 ret = re.match("[hH]","hello Python") ret.group() ret = re.match("[hH]","Hello Python") ret.group() # 匹配0到9第一种写法 ret = re.match("[0123456789]","7Hello Python") ret.group() # 匹配0到9第二种写法 ret = re.match("[0-9]","7Hello Python") ret.group()
运行结果：
示例3：\d
#coding=utf-8 import re # 普通的匹配方式 ret = re.match("嫦娥1号","嫦娥1号发射成功") print ret.group() ret = re.match("嫦娥2号","嫦娥2号发射成功") print ret.group() ret = re.match("嫦娥3号","嫦娥3号发射成功") print ret.group() # 使用\d进行匹配 ret = re.match("嫦娥\d号","嫦娥1号发射成功") print ret.group() ret = re.match("嫦娥\d号","嫦娥2号发射成功") print ret.group() ret = re.match("嫦娥\d号","嫦娥3号发射成功") print ret.group()
运行结果：
说明
- 其他的匹配符参见后面章节的讲解
原始字符串
>>> mm = "c:\\a\\b\\c" >>> mm 'c:\\a\\b\\c' >>> print(mm) c:\a\b\c >>> print(mm) c:\a\b\c >>> re.match("c:\\\\",mm).group() 'c:\\' >>> ret = re.match("c:\\\\",mm).group() >>> print(ret) c:\ >>> ret = re.match("c:\\\\a",mm).group() >>> print(ret) c:\a >>> ret = re.match(r"c:\\a",mm).group() >>> print(ret) c:\a >>> ret = re.match(r"c:\a",mm).group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>>
说明
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。
Python里的原生字符串很好地解决了这个问题，有了原始字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。
>>> ret = re.match(r"c:\\a",mm).group() >>> print(ret) c:\a
表示数量
匹配多个字符的相关格式
| 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 |
示例1：*
需求：匹配出，一个字符串第一个字母为大小字符，后面都是小写字母并且这些小写字母可有可无
#coding=utf-8 import re ret = re.match("[A-Z][a-z]*","Mm") ret.group() ret = re.match("[A-Z][a-z]*","Aabcdef") ret.group() 运行结果：
示例2：+
需求：匹配出，变量名是否有效
#coding=utf-8 import re ret = re.match("[a-zA-Z_]+[\w_]*","name1") ret.group() ret = re.match("[a-zA-Z_]+[\w_]*","_name") ret.group() ret = re.match("[a-zA-Z_]+[\w_]*","2_name") ret.group()
运行结果：
示例3：?
需求：匹配出，0到99之间的数字
#coding=utf-8 import re ret = re.match("[1-9]?[0-9]","7") ret.group() ret = re.match("[1-9]?[0-9]","33") ret.group() ret = re.match("[1-9]?[0-9]","09") ret.group()
运行结果：
示例4：{m}
需求：匹配出，8到20位的密码，可以是大小写英文字母、数字、下划线
#coding=utf-8 import re ret = re.match("[a-zA-Z0-9_]{6}","12a3g45678") ret.group() ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66") ret.group()
运行结果：
练一练
题目1：匹配出163的邮箱地址，且@符号之前有4到20位，例如hello@163.com
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 |
示例1：$
需求：匹配163.com的邮箱地址
#coding=utf-8 import re # 正确的地址 ret = re.match("[\w]{4,20}@163\.com", "xiaoWang@163.com") ret.group() # 不正确的地址 ret = re.match("[\w]{4,20}@163\.com", "xiaoWang@163.comheihei") ret.group() # 通过$来确定末尾 ret = re.match("[\w]{4,20}@163\.com$", "xiaoWang@163.comheihei") ret.group()
运行结果：
示例2: \b
>>> re.match(r".*\bver\b", "ho ver abc").group() 'ho ver' >>> re.match(r".*\bver\b", "ho verabc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*\bver\b", "hover abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>>
示例3：\B
>>> re.match(r".*\Bver\B", "hoverabc").group() 'hover' >>> re.match(r".*\Bver\B", "ho verabc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*\Bver\B", "hover abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group' >>> re.match(r".*\Bver\B", "ho ver abc").group() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: 'NoneType' object has no attribute 'group'
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 |
示例1：|
需求：匹配出0-100之间的数字
#coding=utf-8 import re ret = re.match("[1-9]?\d","8") ret.group() ret = re.match("[1-9]?\d","78") ret.group() # 不正确的情况 ret = re.match("[1-9]?\d","08") ret.group() # 修正之后的 ret = re.match("[1-9]?\d$","08") ret.group() # 添加| ret = re.match("[1-9]?\d$|100","8") ret.group() ret = re.match("[1-9]?\d$|100","78") ret.group() ret = re.match("[1-9]?\d$|100","08") ret.group() ret = re.match("[1-9]?\d$|100","100") ret.group()
运行结果：
示例2：( )
需求：匹配出163、126、qq邮箱之间的数字
#coding=utf-8 import re ret = re.match("\w{4,20}@163\.com", "test@163.com") ret.group() ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com") ret.group() ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com") ret.group() ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com") ret.group()
运行结果：
练习：
>>> ret = re.match("([^-]*)-(\d+)","010-12345678") >>> ret.group() '010-12345678' >>> ret.group(1) '010' >>> ret.group(2) '12345678'
示例3：\
需求：匹配出<html>hh</html>
#coding=utf-8 import re # 能够完成对正确的字符串的匹配 ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</html>") ret.group() # 如果遇到非正常的html格式字符串，匹配出错 ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</htmlbalabala>") ret.group() # 正确的理解思路：如果在第一对<>中是什么，按理说在后面的那对<>中就应该是什么 # 通过引用分组中匹配到的数据即可，但是要注意是元字符串，即类似 r""这种格式 ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</html>") ret.group() # 因为2对<>中的数据不一致，所以没有匹配出来 ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</htmlbalabala>") ret.group()
运行结果：
示例4：\number
需求：匹配出<html><h1>www.itcast.cn</h1></html>
#coding=utf-8 import re ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h1></html>") ret.group() ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h2></html>") ret.group()
运行结果：
示例5：(?P<name>) (?P=name)
需求：匹配出<html><h1>www.itcast.cn</h1></html>
#coding=utf-8 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() ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h2></html>") ret.group()
注意：(?P<name>)和(?P=name)中的字母p大写
运行结果：
re模块的高级用法
search
需求：匹配出文章阅读的次数
#coding=utf-8 import re ret = re.search(r"\d+", "阅读次数为 9999") ret.group()
运行结果：
findall
需求：统计出python、c、c++相应文章阅读的次数
#coding=utf-8 import re ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345") print ret
运行结果：
sub 将匹配到的数据进行替换
需求：将匹配到的阅读次数加1
方法1：
#coding=utf-8 import re ret = re.sub(r"\d+", '998', "python = 997") print ret
运行结果：
方法2：
#coding=utf-8 import re def add(temp): strNum = temp.group() num = int(strNum) + 1 return str(num) ret = re.sub(r"\d+", add, "python = 997") print ret ret = re.sub(r"\d+", add, "python = 99") print ret
运行结果：
练习
从下面的字符串中取出文本
<div>
<p>岗位职责：</p>
<p>完成推荐算法、数据统计、接口、后台等服务器端相关工作</p>
<p><br></p>
<p>必备要求：</p>
<p>良好的自我驱动力和职业素养，工作积极主动、结果导向</p>
<p> <br></p>
<p>技术要求：</p>
<p>1、一年以上 Python 开发经验，掌握面向对象分析和设计，了解设计模式</p>
<p>2、掌握HTTP协议，熟悉MVC、MVVM等概念以及相关WEB开发框架</p>
<p>3、掌握关系数据库开发设计，掌握 SQL，熟练使用 MySQL/PostgreSQL 中的一种<br></p>
<p>4、掌握NoSQL、MQ，熟练使用对应技术解决方案</p>
<p>5、熟悉 Javascript/CSS/HTML5，JQuery、React、Vue.js</p>
<p> <br></p>
<p>加分项：</p>
<p>大数据，数理统计，机器学习，sklearn，高性能，大并发。</p>
</div>
split 根据匹配进行切割字符串，并返回一个列表
需求：切割字符串“info:xiaoZhang 33 shandong”
#coding=utf-8 import re ret = re.split(r":| ","info:xiaoZhang 33 shandong") print ret
运行结果：
python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。
>>> 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。
>>> re.match(r"aa(\d+)","aa2343ddd").group(1) '2343' >>> re.match(r"aa(\d+?)","aa2343ddd").group(1) '2' >>> re.match(r"aa(\d+)ddd","aa2343ddd").group(1) '2343' >>> re.match(r"aa(\d+?)ddd","aa2343ddd").group(1) '2343'
练一练
字符串为:
<img data-original="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" src="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" style="display: inline;">
请提取url地址
