13 正则表达式实战

和vvv

13 正则表达式实战

一、什么是正则表达式
世界上的数据很多，而很多时候我们需要的只是其中的一部分。此时我们可以通过一些表达式进行提取，正则表达式就是其中的一种筛选数据的表达式。还有其他的表达式，如xpath 表达式等。


二、原子
原子是正则表达式中最基本的组成单位，每个正则表达式中至少包含一个原子。常见的原子类型有：

• 普通字符作为原子
• 非打印字符作为原子
• 通用字符作为原子
• 原子表
  

要使用正则表达式，需导入re模块（自带模块）。

1. import re

复制代码

（1）普通字符做原子：

1. import re
   
2. s = "titainxiangshang"
   
3. #普通字符做原子
   
4. pat = "ain"
   
5. #search函数
   
6. rst = re.search(pat,s)
   
7. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(3, 6), match='ain'>
   
4. >>>

复制代码

如果改变pat：

1. import re
   
2. s = "titainxiangshang"
   
3. #普通字符做原子
   
4. pat = "fain"
   
5. #search函数
   
6. rst = re.search(pat,s)
   
7. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. None
   
4. >>>

复制代码

因为字符串里并没有pat里的内容。

（2）非打印字符（如"\n"）作原子：

1. import re
   
2. #非打印字符作原子
   
3. #\n:换行 \t:制表符
   
4. s = '''titainxiangshang
   
5. baidu
   
6. '''
   
7. pat = "\n"
   
8. #search函数
   
9. rst = re.search(pat,s)
   
10. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(16, 17), match='\n'>
   
4. >>>

复制代码

如果没有换行：

1. import re
   
2. #非打印字符作原子
   
3. #\n:换行 \t:制表符
   
4. s = '''titainxiangshangbaidu'''
   
5. pat = "\n"
   
6. #search函数
   
7. rst = re.search(pat,s)
   
8. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. None
   
4. >>>

复制代码

（3）通用字符作为原子：

1. import re
   
2. #通用字符作原子
   
3. '''
   
4. \w: 字匹配任意字母、数字、下划线
   
5. \W：匹配除字母、数字、下划线以外的任意字符
   
6. \d:十进制数
   
7. \D:除十进制数
   
8. \s:空白字符
   
9. \S:除空白字符
   
10. '''
    
11. s = "titainx154212454iangshang"
    
12. #匹配两位数字
    
13. pat1 = "\d\d"
    
14. pat2 = "\w\d\d\d"
    
15. #search函数
    
16. rst1 = re.search(pat1,s)
    
17. rst2 = re.search(pat2,s)
    
18. print(rst1)
    
19. print(rst2)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(7, 9), match='15'>
   
4. <_sre.SRE_Match object; span=(6, 10), match='x154'>
   
5. >>>

复制代码

（4）原子表

1. import re
   
2. #原子表
   
3. #[xyz]:从表中任意提取一个字符
   
4. s = "titainx154212454iangshang"
   
5. pat = "s[ainh]ang"
   
6. rst = re.search(pat,s)
   
7. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(20, 25), match='shang'>
   
4. >>>

复制代码

如果在原子表里加上“^”,表示除了原子表内的字符，匹配其他的任意字符。

1. import re
   
2. #原子表
   
3. #[xyz]:从表中任意提取一个字符
   
4. s = "titainx154212454iangshang"
   
5. pat = "s[^ain]ang"
   
6. rst = re.search(pat,s)
   
7. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(20, 25), match='shang'>
   
4. >>>

复制代码

三、元字符
所谓元字符，就是正则表达式中具有一些特殊含义的字符，比如重复N次前面的字符等。

• .  :匹配除换行符以外的任意一个字符
  

• ^ :不在原子表里，表示匹配开始位置
  

• $ :匹配结束位置
  

• * :前面元素重复出现0次或1次或多次
  

• ? :前面元素重复出现0次或1次
  

• + :前面元素重复出现1次或多次
  

• {n} :前面元素恰好出现n次
  

• {n,} :前面元素至少出现n次
  

• {n,m} :前面元素至少出现n次，至多出现m次
  

• |：模式选择符或
  

• () :模式单元
  

（1）

1. import re
   
2. s = "titainx154212454iangshang"
   
3. pat1 = "s.ang"
   
4. pat2 = "^s...."
   
5. rst1 = re.search(pat1,s)
   
6. rst2 = re.search(pat2,s)
   
7. print(rst1)
   
8. print(rst2)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(20, 25), match='shang'>
   
4. None
   
5. >>>

复制代码

（2）*，+，?的用法：

1. import re
   
2. s = "titainx154212454iangshang"
   
3. pat1 = "tit*"
   
4. pat2 = "tit+"
   
5. pat3 = "tit?"
   
6. rst1 = re.search(pat1,s)
   
7. rst2 = re.search(pat2,s)
   
8. rst3 = re.search(pat3,s)
   
9. print(rst1)
   
10. print(rst2)
    
11. print(rst3)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(0, 3), match='tit'>
   
4. <_sre.SRE_Match object; span=(0, 3), match='tit'>
   
5. <_sre.SRE_Match object; span=(0, 3), match='tit'>
   
6. >>>

复制代码

加上 . 匹配符之后：

1. import re
   
2. s = "titainx154212454iangshang"
   
3. pat1 = "tit.*"
   
4. pat2 = "tit.+"
   
5. pat3 = "tit.?"
   
6. rst1 = re.search(pat1,s)
   
7. rst2 = re.search(pat2,s)
   
8. rst3 = re.search(pat3,s)
   
9. print(rst1)
   
10. print(rst2)
    
11. print(rst3)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(0, 25), match='titainx154212454iangshang'>
   
4. <_sre.SRE_Match object; span=(0, 25), match='titainx154212454iangshang'>
   
5. <_sre.SRE_Match object; span=(0, 4), match='tita'>
   
6. >>>

复制代码

（3）{}的用法

1. import re
   
2. s = "titainnnnx154212454iangshang"
   
3. pat1 = "ain{4}"
   
4. rst1 = re.search(pat1,s)
   
5. print(rst1)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(3, 9), match='ainnnn'>
   
4. >>>

复制代码

这几种用法的区别：

1. import re
   
2. s = "titainnnnx154212454iangshang"
   
3. #匹配4个n
   
4. pat1 = "ain{4}"
   
5. #匹配5个n
   
6. pat2 = "ain{5}"
   
7. #匹配3个n
   
8. pat3 = "ain{3}"
   
9. #匹配至少3个n
   
10. pat4 = "ain{3,}"
    
11. rst1 = re.search(pat1,s)
    
12. rst2 = re.search(pat2,s)
    
13. rst3 = re.search(pat3,s)
    
14. rst4 = re.search(pat4,s)
    
15. print(rst1)
    
16. print(rst2)
    
17. print(rst3)
    
18. print(rst4)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(3, 9), match='ainnnn'>
   
4. None
   
5. <_sre.SRE_Match object; span=(3, 8), match='ainnn'>
   
6. <_sre.SRE_Match object; span=(3, 9), match='ainnnn'>
   
7. >>>

复制代码

四、模式修正符
所谓的模式修正符，即可以在不改变正则表达式的情况下，通过模式修正符改变正则表达式的含义，从而实现一些匹配结果的调整等功能。

• I:匹配时忽略大小写
• M:多行匹配
• L:本地化识别匹配
• U:unicode
• S:让 . 匹配包括换行符
  

1. import re
   
2. string = "Python"
   
3. pat = "pyt"
   
4. rst = re.search(pat,string)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. None
   
4. >>>

复制代码

使用修正符：

1. import re
   
2. string = "Python"
   
3. pat = "pyt"
   
4. rst = re.search(pat,string,re.I)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(0, 3), match='Pyt'>
   
4. >>>

复制代码

五、贪婪模式和懒惰模式
贪婪模式的核心点就是尽可能多的匹配，而懒惰模式的核心点就是尽可能少的匹配。
（1）默认是贪婪匹配

1. import re
   
2. string = "Poythonyvcvbfvbf"
   
3. pat = "p.*y"
   
4. rst = re.search(pat,string,re.I)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(0, 7), match='Pythony'>
   
4. >>>

复制代码

（2）懒惰模式直接加 ?（.*？）

1. import re
   
2. string = "Poythonyvcvbfvbf"
   
3. pat = "p.*?y"
   
4. rst = re.search(pat,string,re.I)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(0, 3), match='Poy'>
   
4. >>>

复制代码

贪婪模式的匹配比较模糊，懒惰模式的匹配比较精确。


六、正则表达式函数
正则表达式函数有re.match()函数、re.search()函数、全局匹配函数、re.sub()函数。正则表达式只匹配，不能实现功能，需要正则表达式函数来实现。


（1）re.match()函数：从开头开始匹配。

1. import re
   
2. string = "Poythonyvcvbfvbf"
   
3. pat = "p.*?y"
   
4. rst = re.match(pat,string,re.I)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(0, 3), match='Poy'>
   
4. >>>

复制代码

可以匹配。但下列情况不行：

1. import re
   
2. string = "Poythonyvcvbfvbf"
   
3. pat = "o.*?y"
   
4. rst = re.match(pat,string,re.I)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. None
   
4. >>>

复制代码

也就是说，re.match()函数只能从开头开始匹配。
（2）全局匹配函数
re.search()函数只能匹配到一个：

1. import re
   
2. string = "Poythopnyvcpvbfyvpbfy"
   
3. pat = "p.*?y"
   
4. rst = re.search(pat,string,re.I)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. <_sre.SRE_Match object; span=(0, 3), match='Poy'>
   
4. >>>

复制代码

全局匹配函数全部匹配：re.compile(正则表达式).findall(数据)

1. import re
   
2. string = "Poythopnyvcpvbfyvpbfy"
   
3. pat = "p.*?y"
   
4. rst = re.compile(pat,re.I).findall(string)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. ['Poy', 'pny', 'pvbfy', 'pbfy']
   
4. >>>

复制代码

（3）re.sub()替换函数：re.sub(被替换数据，要替换成的数据，数据)

1. import re
   
2. string = "Poythopnyvcpvbfyvpbfy"
   
3. rst = re.sub("p","?",string)
   
4. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. Poytho?nyvc?vbfyv?bfy
   
4. >>>

复制代码

七、常见正则实例
（1）匹配.com和.cn     

1. string = "<a >百度首页</a>"
   
2. pat = "[a-zA-Z]+://[^\s]*[.com|.cn]"
   
3. rst = re.compile(pat).findall(string)
   
4. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. ['http://www.baidu.com']
   
4. >>>

复制代码

（2）匹配电话号码

1. #匹配电话号码
   
2. string = "ujdhnvjvbnjvbj021-454152451452xjbjb0123-52212541512"
   
3. pat = "\d{4}-\d{7}|\d{3}-\d{8}"
   
4. rst = re.compile(pat).findall(string)
   
5. print(rst)

复制代码

1. >>>
   
2. ======== RESTART: F:\Python\procedure\if.py ========
   
3. ['021-45415245', '0123-5221254']
   
4. >>>

复制代码

野花菜子

\W:除十进制数 改成 \D