python之正则函数
正则表达式定义和作用
正则表达式是什么?
它是约束字符串匹配某种形式的规则
正则表达式有什么用?
1.检测某个字符串是否符合规则.比如:判断手机号,身份证号是否合法
2.提取网页字符串中想要的数据.比如:爬虫中,提取网站天气,信息,股票代码,星座运势等具体关键字
在线测试工具 http://tool.chinaz.com/regex/
#正则表达式由一些 [普通字符] 和一些 [元字符] 组成:
(1)普通字符包括大小写字母和数字
(2)元字符具有特殊含义,大体种类分为如下:
1.预定义字符集,字符组
2.量词
3.边界符
4.分组
正则表达式 - 匹配单个字符
import re
语法 :lst = re.findall(正则表达式,字符串)
(1) 预定义字符集
\d 匹配数字
strvar = "sdjfklj234&*(&1" lst = re.findall("\d",strvar) print(lst)
\D 匹配非数字
strvar = "YWERsdf78_&" lst = re.findall("\D",strvar) print(lst)
\w (小写) 匹配字母或数字或下划线 (正则函数中,支持中文的匹配)
strvar = "sadf234_^&*%$^$%你好" lst = re.findall("\w",strvar) print(lst)
\W(大写) 匹配非字母或数字或下划线
strvar = "sadf234_^&*%$^$%你好" lst = re.findall("\W",strvar) print(lst)
\s(小写) 匹配任意的空白符 ( " " \t \n \r )
strvar = " \r " lst = re.findall("\s",strvar) print(lst)
\S(大写) 匹配任意非空白符
strvar = " \r 123_*(" lst = re.findall("\S",strvar) print(lst)
\n 匹配一个换行符
strvar = """ 今天国庆假期结束了,兄弟们满载 而归,玩的 很困,尽 快调 整. """ lst = re.findall(r"\n",strvar) print(lst)
\t 匹配一个制表符
lst = re.findall(r"\t",strvar) print(lst)
(2) 字符组 [] 匹配出字符组当中列举的字符(默认选一个)
# lst = re.findall("[123]","a1b2c3d4") # print(lst) print(re.findall('a[abc]b','aab abb acb adb')) # aab abb acb print(re.findall('a[0123456789]b','a1b a2b a3b acb ayb')) # a1b a2b a3b # 优化写法 0123456789 => 0-9 print(re.findall('a[0-9]b','a1b a2b a3b acb ayb')) print(re.findall('a[abcdefg]b','a1b a2b a3b acb ayb adb')) # acb adb # 优化写法 abcdefg => a-g 表达所有的小写字母 a-z print(re.findall('a[a-g]b','a1b a2b a3b acb ayb adb')) print(re.findall('a[a-z]b','a1b a2b a3b acb ayb adb')) # acb adb ayb print(re.findall('a[ABCDEFG]b','a1b a2b a3b aAb aDb aYb')) # aAb aDb # 优化写法 ABCDEFG => A-G 表达所有的大写字母 A-Z print(re.findall('a[A-G]b','a1b a2b a3b aAb aDb aYb')) # aAb aDb print(re.findall('a[A-Z]b','a1b a2b a3b aAb aDb aYb')) # aAb aDb aYb # 注意点: 不能直接写A-z 中间ascii编码中包含了特殊的符号 print(re.findall('a[A-z]b','a1b a2b a3b acb ayb adb a[b')) # 匹配所有的字母和数字 print(re.findall('a[a-zA-Z0-9]b','a1b a2b a3b acb ayb adb a[b')) print(re.findall('a[0-9a-zA-Z]b','a-b aab aAb aWb aqba1b')) #aab aAb aWb aqb a1b print(re.findall('a[0-9][*#/]b','a1/b a2b a29b a56b a456b')) # a1/b
^ 在字符组开头的位置出现代表 除了...的意思
print(re.findall('a[^-+*/]b',"a%b ccaa*bda&bd")) #a%b a&b
匹配^-\等特殊字符时 ,需要前面加上\进行转义
strvar = "a^c a-c a\c" lst = re.findall(r"a[\^\-\\]c",strvar) print(lst) print(lst[-1])
注意点:为了防止转义,在正则表达式中或者要匹配的字符串中,无脑加r实现匹配
strvar = r"a\b" lst = re.findall(r"a\\b",strvar) print(lst[0])
正则表达式 - 匹配多个字符
(1) 量词
import re
1) ? 匹配0个或者1个a
print(re.findall('a?b','abbzab abb aab')) # ab b ab ab b ab
2) + 匹配1个或者多个a
print(re.findall('a+b','b ab aaaaaab abb')) # ab aaaaaab ab
3) * 匹配0个或者多个a
print(re.findall('a*b','b ab aaaaaab abbbbbbb')) # b ab aaaaaab ab b b b b b b
4) {m,n} 匹配m个至n个a
# 1 <= a <= 3 print(re.findall('a{1,3}b','aaab ab aab abbb aaz aabb')) #aaab ab aab ab aab # {2} 代表必须匹配2个a print(re.findall('a{2}b','aaab ab aab abbb aaz aabb')) # aab aab aab # {2,} 代表至少匹配2个a print(re.findall('a{2,}b','aaab ab aab abbb aaz aabb')) # aaab aab aab
(2) 贪婪匹配 和 非贪婪匹配
贪婪匹配 : 默认向更多次匹配 (回溯算法)
非贪婪匹配: 默认向更少次匹配 (配合?号使用)
回溯算法 : 从左向右进行匹配,直到找到最后一个,再也没有了,回头,返回上一个找到的内容
. 除了\n,匹配所有字符
非贪婪写法: 量词 + ?
贪婪匹配(模式)
strvar = "刘能和刘老根和刘罗锅111子222子" lst = re.findall("刘.",strvar) print(lst) # lst = re.findall("刘.?",strvar) lst = re.findall("刘.?",strvar) print(lst) # lst = re.findall("刘.?",strvar) lst = re.findall("刘.+",strvar) print(lst) # ['刘能和刘老根和刘罗锅111子222子'] lst = re.findall("刘.*",strvar) print(lst) # ['刘能和刘老根和刘罗锅111子222子'] lst = re.findall("刘.{1,20}",strvar) print(lst) # ['刘能和刘老根和刘罗锅111子222子'] lst = re.findall("刘.*子",strvar) print(lst)
非贪婪匹配(模式)
lst = re.findall("刘.??",strvar) print(lst) # ['刘', '刘', '刘'] lst = re.findall("刘.+?",strvar) print(lst) # 刘能 刘老 刘罗 lst = re.findall("刘.*?",strvar) print(lst) # ['刘', '刘', '刘'] lst = re.findall("刘.{1,20}?",strvar) print(lst) # ['刘能', '刘老', '刘罗'] lst = re.findall("刘.*?子",strvar) print(lst)
(3) 边界符
\b 本身是转义字符 退格,退到光标上一位
\b 在正则中还有边界符的意思
"word"
卡主左边界:\bw
卡主右边界:d\b
strvar = "word old fuck" # 右边界 lst = re.findall(r"d\b",strvar) # ['d', 'd'] lst = re.findall(r".*d\b",strvar) # ['word old'] lst = re.findall(r".*?d\b",strvar) # ['word old'] print(lst) # 左边界 lst = re.findall(r"\bw",strvar) lst = re.findall(r"\bw.*",strvar) lst = re.findall(r"\bw.*?",strvar) lst = re.findall(r"\bw.*? ",strvar) # 空格在正则表达式中,不能随意加,是参与匹配的. lst = re.findall(r"\bw\S*",strvar) print(lst)
(4) ^ $的使用
^ 写在在字符串的开头,表达必须以某个字符开头
$ 写在在字符串的结尾,表达必须以某个字符结尾
当使用了^ $ 代表要把该字符串看成一个整体
strvar = "大哥大嫂大爷" print(re.findall('大.',strvar)) # ['大哥', '大嫂', '大爷'] print(re.findall('^大.',strvar)) # ['大哥'] print(re.findall('大.$',strvar)) # ['大爷'] print(re.findall('^大.$',strvar))# [] print(re.findall('^大.*?$',strvar)) # ['大哥大嫂大爷'] print(re.findall('^大.*?大$',strvar)) # [] print(re.findall('^大.*?爷$',strvar)) # ['大哥大嫂大爷'] print(re.findall('^g.*? ' , 'giveme 1gfive gay')) # giveme print(re.findall('five$' , 'aassfive')) # [five] print(re.findall('^giveme$' , 'giveme')) # ['giveme'] print(re.findall('^giveme$' , 'giveme giveme')) # [] print(re.findall('giveme' , 'giveme giveme')) # ['giveme', 'giveme'] print(re.findall("^g.*e",'giveme 1gfive gay')) # ['giveme 1gfive']
匹配分组 ()表达整体
import re
(1)分组
print(re.findall('.*?_good','wusir_good alex_good secret男_good')) print(re.findall('(.*?)_good','wusir_good alex_good secret男_good'))
(?:) 代表不优先显示分组里面的内容,只是显示正常匹配到的内容
print(re.findall('(?:.*?)_good','wusir_good alex_good secret男_good'))
(2) | 代表或 , a|b 匹配字符a 或者 匹配字符b .
strvar = "abceab" lst = re.findall("a|b",strvar) print(lst)
注意点:把不容易匹配到的内容放到前面,把容易匹配到的内容放到后面
strvar = "abcdeabc234f" lst = re.findall("abcd|abc",strvar) print(lst)
(3) 练习
. 可以匹配任意的字符,除了\n
\. 对.进行转义,表达.这个字符本身.
# 匹配小数 strvar = "3.... ....4 .3 ...3 1.3 9.89 10" lst = re.findall(r"\d+\.\d+",strvar) print(lst) # 匹配小数和整数 lst = re.findall(r"\d+\.\d+|\d+",strvar) print(lst) # 使用分组改造 '''findall优先显示括号里的内容,需要加上?:取消哦优先显示,按照匹配到的内容显示''' lst = re.findall(r"\d+(?:\.\d+)?",strvar) print(lst) # 匹配135或171的手机号 strvar = "13566668888 17366669999 17135178392" lst = re.findall(r"(?:135|171)\d{8}",strvar) print(lst) # 优化,只能匹配出一个手机号 strvar = "13566668888" lst = re.findall(r"^(?:135|171)\d{8}$",strvar) print(lst) obj = re.search(r"^(135|171)\d{8}$",strvar) print(obj) print(obj.group()) print(obj.groups())
匹配www.baidu.com 或者 www.oldboy.com
findall : 从左到右,匹配出所有的内容,返回到列表
问题是,匹配到的字符串和分组的内容不能同时显示;
search : 从左到右,匹配到一组内容就直接返回,返回的是对象
优点是,可以让匹配到的内容和分组里的内容同时显示;
匹配不到内容时,返回的是None
obj.group() : 获取匹配到的内容
obj.groups(): 获取分组里面的内容
# findall strvar = "www.baidu.com www.oldboy.com www.wangwen.com" lst = re.findall(r"(?:www)\.(?:baidu|oldboy)\.(?:com)",strvar) print(lst) # search strvar = "www.baidu.com www.oldboy.com www.wangwen.com" obj = re.search(r"(www)\.(baidu|oldboy)\.(com)",strvar) print(obj) # 获取匹配到的内容 print(obj.group()) # 获取分组里面的内容 (推荐) print(obj.groups()) # 方法二,可以直接通过下标1来获取分组里面的第一个内容; print(obj.group(1)) print(obj.group(2)) print(obj.group(3))
search 练习 : 计算"5*6-7/3"结果 匹配 5*6 或者 7/3
strvar = "5*6-7/3" # strvar = "www.baidu.com www.oldboy.com www.wangwen.com" obj = re.search(r"\d+[*/]\d+",strvar) res1 = obj.group() print(res1 , type(res1)) # 5*6 <class 'str'> # 计算结果 a,b = res1.split("*") res2 = int(a) * int(b) print(res2) # 把30替换回原来的字符串中 strvar = strvar.replace(res1,str(res2)) print(strvar) # 以此类推 ...
反向引用
import re strvar = "<div>明天又要休息了</div>" obj = re.search("<(.*?)>(.*?)<(.*?)>",strvar) print(obj)
获取匹配到的内容
res1 = obj.group() print(res1)
获取分组里的内容
res2 = obj.groups() print(res2)
反向引用的语法 \1把第一个括号里面匹配到的内容在引用一次
obj = re.search(r"<(.*?)>(.*?)</\1>",strvar) print(obj) print(obj.group()) print(obj.groups()) strvar = " z3d4pzd a1b2cab " obj = re.search(r"(.*?)\d(.*?)\d(.*?)\1\2",strvar) print(obj) print(obj.group()) print(obj.groups())
命名分组
3) (?P<组名>正则表达式) 给这个组起一个名字
4) (?P=组名) 引用之前组的名字,把该组名匹配到的内容放到当前位置
写法一
strvar = " z3d4pzd a1b2cab " obj = re.search(r"(?P<tag1>.*?)\d(?P<tag2>.*?)\d(?P<tag3>.*?)\1\2",strvar) print(obj) print(obj.group())
写法二
strvar = " z3d4pzd a1b2cab " obj = re.search(r"(?P<tag1>.*?)\d(?P<tag2>.*?)\d(?P<tag3>.*?)(?P=tag1)(?P=tag2)",strvar) print(obj) print(obj.group())
正则函数
import re
search 通过正则匹配出第一个对象返回,通过group取出对象中的值
strvar = "3+4 6*4" obj = re.search(r"(\d+[+*]\d+)",strvar) print(obj) # 获取匹配到的内容 print(obj.group()) # 获取分组当中的内容 (返回元组) print(obj.groups())
match 验证用户输入内容 (了解)
search在正则表达式的前面加上^ 等价于 match ,其他用法上一模一样
strvar = "a17366668888" strvar = "17366668888" # obj = re.search(r"^\d+",strvar) # obj = re.match(r"\d+",strvar) # print(obj.group()) print(obj)
split 切割
strvar = "alex|wusir_xboyww@risky" lst = re.split("[|_@]",strvar) print(lst) strvar = "alex2341273894wusir234234xboyww11111risky" lst = re.split("\d+",strvar) print(lst)
sub 替换
strvar = "alex|wusir_xboyww@risky" strvar = strvar.replace("|","&") strvar = strvar.replace("_","&") strvar = strvar.replace("@","&") print(strvar)
sub(正则,替换的字符,原字符串[,替换的次数])
res = re.subn("[|_@]","&",strvar) res = re.subn("[|_@]","&",strvar,2) print(res) # res = re.sub("[|_@]","&",strvar) # ('alex&wusir&xboyww@risky', 2)
finditer 匹配字符串中相应内容,返回迭代器
返回的是迭代器,迭代器中包含了对象 对象.group来获取匹配到的值
from collections import Iterator, Iterable strvar = "sdf23647fdgdfg()*()*23423423" it = re.finditer("\d+",strvar) print(isinstance(it,Iterator)) for obj in it: print(obj.group())
compile 指定一个统一的匹配规则
正常情况下,正则表达式编译一次,执行一次
为了避免反复编译,节省时间空间,可以使用compile统一规则
编译一次,终身受益
strvar = "asdfs234sdf234" pattern = re.compile("\d+") obj = pattern.search(strvar) print(obj.group()) lst = pattern.findall(strvar) print(lst)
修饰符
re.I 使匹配对大小写不敏感
strvar = "<h1>大标题</H1>" pattern = re.compile("<h1>(.*?)</h1>" , flags=re.I) obj = pattern.search(strvar) print(obj.group())
re.M 使每一行都能够单独匹配(多行匹配),影响 ^ 和 $
单行独立匹配,而不是整体匹配
strvar = """ <p>111</p> <a>222</a> <strong>333</strong> """ pattern = re.compile("^<.*?>(?:.*?)<.*?>$" , flags=re.M) lst = pattern.findall(strvar) print(lst)
re.S 使 . 匹配包括换行在内的所有字符
strvar = """ give sdfsdfmefive """ # 多个修饰符一起使用通过|拼接 pattern = re.compile(".*?mefive" , flags = re.S|re.I|re.M ) obj = pattern.search(strvar) print(obj.group())