上一篇：9.Requests库基本使用
下一篇：11.BeautifulSoup详解
http://www.runoob.com/python3/python3-reg-expressions.html
什么是正则表达式
正则表达式是对字符串操作的一种逻辑公式，就是 事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符”，这个“规则字符” 来表达对字符的一种过滤逻辑。
正则并不是python独有的，其他语言也都有正则
python中的正则，封装了re模块
python正则的详细讲解
常用的匹配模式
\w 匹配字母数字及下划线
\W 匹配非字母数字下划线
\s 匹配任意空白字符，等价于[\t\n\r\f]
\S 匹配任意非空字符
\d 匹配任意数字
\D 匹配任意非数字
\A 匹配字符串开始
\Z 匹配字符串结束，如果存在换行，只匹配换行前的结束字符串
\z 匹配字符串结束
\G 匹配最后匹配完成的位置
\n 匹配一个换行符
\t 匹配一个制表符 ^ 匹配字符串的开头
$ 匹配字符串的末尾
. 匹配任意字符，除了换行符，re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符
[....] 用来表示一组字符，单独列出：[amk]匹配a,m或k
[^...] 不在[]中的字符：[^abc]匹配除了a,b,c之外的字符
* 匹配0个或多个的表达式 + 匹配1个或者多个的表达式
? 匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式
{n} 精确匹配n前面的表示
{m,m} 匹配n到m次由前面的正则表达式定义片段，贪婪模式
a|b 匹配a或者b
() 匹配括号内的表达式，也表示一个组
re.match()
语法格式：
re.match(pattern,string,flags=0)
#三个参数：
#1. pattern；正则表达式
#2. string： 被筛选的字符串
#3. flags：匹配模式
尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配的话，match（）就会返回None
# 起始位置匹配，否则报错
print(re.match("^1\d{7}9$","123456789").group()) # 123456789
print(re.match("^2\d{7}9$","123456789").group()) # 报错
print(re.match("^2\d{6}9$","23456789").group()) # 23456789
最常规的匹配
import re
content= "hello"
result = re.match('^h\w\w\wo$',content)
print(len(content)) # 获取字符串的长度 5
print(result) # <_sre.SRE_Match object; span=(0, 5), match='hello'>
print(result.group()) # 输出匹配结果 hello
print(result.span()) # 匹配结果范围 (0, 5)
#字符多的话
content = "helloworld 123 aaa _world"
result = re.match( "^hello\w\w\w\w\w\s\d\d\d\s\w\w\w\s_world$",content)
print(content.__len__()) # 字符串长度 25
print(result.group()) # helloworld 123 aaa _world
有多少个字符就要写多少个，多的可以简略写
# \w\w\w\w\w==\w{5}
re_math2 = "^hello\w{5}\s\d\d\d\s\w\w\w\s_world$"
result2 = re.match(re_math,content)
print(result2.group())
# helloworld 123 aaa _world
结果同样
泛匹配
#其实相对来说上面的方式并不是非常方便，其实可以将上述的正则规则进行更改
content = "helloworld 123 aaa _world"
re_math = "^he.*_world$"
result = re.match(re_math,content)
print(content.__len__()) # 字符串长度 25
print(result.group()) # helloworld 123 aaa _world
匹配目标
#如果为了匹配字符串中具体的目标，则需要通过（）括起来，例子如下：
content = "helloworld 123 aaa _world"
re_math = "^hello(\w{5})\s(\d\d\d)\s\w\w\w\s_world$"
result = re.match(re_math,content)
print(result.group(1)) # world
print(result.group(2)) # world
# 注意，group(n) n是几，就是对应第几个括号
贪婪匹配
content = "HelloWorld 12345678945646465 a demo"
re_math = "^HelloWorld\s.*?(\d+).*o$"
result = re.match(re_math,content)
print(result.group(1)) # 1
# .* 会尽可能的多匹配，所以只能匹配到最后一个
# 如果加上 ?(\d+) ?就可以全匹配d
匹配模式
很多时候匹配的内容是存在换行的问题的，这个时候的就需要用到匹配模式re.S来匹配换行的内容
content = """HelloWorld 123456 a re_math
my name is lsy
"""
result =re.match('^He.*(\d+).*?lsy$',content,re.S)
print(result)
print(result.group()) #只有第一行
print(result.group(1)) #正常
转义:
当我们要匹配的内容中存在特殊字符的时候，就需要用到转移符号,例子如下：
'''
import re
content= "price is $5.00"
result = re.match('price is $5.00',content)
print(result)
print(result.group())
'''
对上面的一个小结：尽量使用泛匹配，使用括号得到匹配目标，尽量使用非贪婪模式，有换行符就用re.S强调re.match是从字符串的起始位置匹配一个模式
re.search
re.search扫描整个字符串返回第一个成功匹配的结果
content = "hello haha hello start is_Me lalal 12121 a Re end things"
result = re.search("start.*?(\d+).*?end",content)
print(result)
print(result.group())
print(result.group(1))
# 不需要在写^以及$，因为search是扫描整个字符串
示例：
import re
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</li>
</ul>
</div>'''
result = re.search('<li.*?active.*?singer="(.*?)">(.*?)</a>',html,re.S)
# 注意看有没有re.S换行，
print(result)
print(result.groups())
print(result.group(1))
print(result.group(2))
re.findall
搜索字符串，以列表的形式返回全部能匹配的子串
代码例子如下：
import re
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</li>
</ul>
</div>'''
results = re.findall('<li.*?href="(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S)
print(results)
#[('/2.mp3', '任贤齐', '沧海一声笑'), ('/3.mp3', '齐秦', '往事随风'), ('/4.mp3', 'beyond', '光辉岁月'), ('/5.mp3', '陈慧琳', '记事本'), ('/6.mp3', '邓丽君', '但愿人长久')]
print(type(results))
# <class 'list'>
for result in results:
print(result)
print(result[0], result[1], result[2])
'''('/2.mp3', '任贤齐', '沧海一声笑')
/2.mp3 任贤齐 沧海一声笑
('/3.mp3', '齐秦', '往事随风')
/3.mp3 齐秦 往事随风
('/4.mp3', 'beyond', '光辉岁月')
/4.mp3 beyond 光辉岁月
('/5.mp3', '陈慧琳', '记事本')
/5.mp3 陈慧琳 记事本
('/6.mp3', '邓丽君', '但愿人长久')
/6.mp3 邓丽君 但愿人长久
'''
结果：
image.png
例子2
import re
html = '''<div id="songs-list">
<h2 class="title">经典老歌</h2>
<p class="introduction">
经典老歌列表
</p>
<ul id="list" class="list-group">
<li data-view="2">一路上有你</li>
<li data-view="7">
<a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
</li>
<li data-view="4" class="active">
<a href="/3.mp3" singer="齐秦">往事随风</a>
</li>
<li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
<li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
<li data-view="5">
<a href="/6.mp3" singer="邓丽君">但愿人长久</a>
</li>
</ul>
</div>'''
results = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>',html,re.S)
print(results)
for result in results:
print(result[1])
结果如下：
image.png
- 总结：
\s*? 这种用法其实就是为了解决有的有换行，有的没有换行的问题
(<a.*?>)? 这种用法是因为html中有的有a标签，有的没有的，？表示匹配一个或0个，正好可以用于匹配
re.sub
替换字符串中每一个匹配的子串后返回替换后的字符串
re.sub(正则表达式，替换成的字符串，原字符串)
content = "ello haha hello start is_Me lalal 12121 a Re end things"
content = re.sub('\d+',' ',content)
print(content)
# 所有的数字都会被替代为一个空格，‘’内有几个空格是有效的
在有些情况下我们替换字符的时候，还想获取我们匹配的字符串，然后在后面添加一些内容，可以通过下面方式实现：
content = "Extra things hello 123455 World_this is a regex Demo extra things"
# \1是获取第一个匹配的结果，为了防止转义字符的问题，我们需要在前面加上r
content = re.sub('(\d+)',r'\1 7890',content)
print(content)
结果，在123455后面加上“ 空格7890”
re.compile
content= """hello 12345 world_this
123 fan
"""
pattern =re.compile("hello.*fan",re.S)
result = re.match(pattern,content)
print(result)
print(result.group())
正则的综合练习
将正则表达式编译成正则表达式对象，方便复用该正则表达式
上一篇：9.Requests库基本使用
下一篇：11.BeautifulSoup详解
