正则表达式
正则表达式
中华强仔 发表于4个月前
正则表达式
  • 发表于 4个月前
  • 阅读 1
  • 收藏 0
  • 点赞 0
  • 评论 0

腾讯云 技术升级10大核心产品年终让利>>>   

摘要: 爬虫必备

                        正则表达式
re 模块介绍:
在Python中需要通过正则表达式对字符串进行匹配或者操作的时候,可以使用一个模块,名字为re。


第一部分:匹配单个字符

字符以及功能:

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


第二部分:匹配多个字符

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,n}    匹配前一个字符出现从m到n次

第三部分:匹配开头到结尾

匹配开头结尾

字符    功能
^    匹配字符串开头
$    匹配字符串结尾

第四部分:匹配分组

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


第五部分: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:

'9999'

 


                    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:

['9999', '7890', '12345']

 


                    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:

python = 998
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:

python = 998
python = 100

 


                    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:

['info', 'xiaoZhang', '33', 'shandong']

 

注意点:
正则表达式 贪婪和贪婪
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。

 

 

                   r的用法
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,有了原生字符串,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

共有 人打赏支持
粉丝 2
博文 9
码字总数 9269
×
中华强仔
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: