1.正则表达式的概念
正则表达式所面向的问题
1)判断一个字符串是否匹配给定的格式
判断用户注册账号是否满足格式
2) 从字符串中按指定格式提取信息
抓取页面中的链接
例：
1)判断邮箱格式是否正确
使用r'^[a-zA-Z0-9]+@[a-zA-Z0-9]+\.com$'
import re #导入re模块，稍后会讲
s1 = re.findall(r'^[a-zA-Z0-9]+@[a-zA-Z0-9]+\.com$','[email protected]')
print(s1) #返回列表['[email protected]']
s2 = re.findall(r'^[a-zA-Z0-9]+@[a-zA-Z0-9]+\.com$','[email protected]')
print(s2) #返回列表['[email protected]']
s3 = re.findall(r'^[a-zA-Z0-9]+@[a-zA-Z0-9]+\.com$','10086qq.com')
print(s3) #匹配失败 返回空列表[]
s4 = re.findall(r'^[a-zA-Z0-9]+@[a-zA-Z0-9]+\.com$','[email protected]')
print(s4) #匹配失败 返回空列表[]2)抓取页面中特定的数据
import re
html ="""
<!DOCTYPE html>
<html>
<body>
<div>
<a href="10086">
<a href="10010">
</div>
</body>
</html>
"""
a = re.findall(r'<a href="(.*?)">',html)
print(a) #输出['10086', '10010']2.re模块
在Python中需要通过正则表达式对字符串进行匹配的时候，可以使用一个模块来操作，名字为re
导入：import re
方法：
1)findall方法：在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回 空列表
import re
a = re.findall('python','i love python,python3 is 666')
print(a) #输出['python','python']2)search方法：re.search 扫描整个字符串,匹配成功 返回的是一个匹配对象（这个对象包含了我们匹配的信息）
注意：search只能匹配到从头开始的第一个，找到符合规则的就返回，不会一直往后找
import re
a = re.search('python','i love python,python3 is 666')
print(a) #输出<_sre.SRE_Match object; span=(7, 13), match='python'>注意：match只能匹配到一个
- 可以通过group()提取匹配到的内容
- 可以通过span()提取匹配到的字符下标
import re
a = re.match('python','python3 is 666')
b = re.match('is','python3 is 666')
print(a) #<_sre.SRE_Match object; span=(0, 6), match='python'>
print(a.group(),a.span()) #python (0,6)
print(b) #None3.元字符
单字符匹配
|
import re #习惯性加'r'，如下所示
a = re.findall(r'.','python3 is great') #['p', 'y', 't', 'h', 'o', 'n', '3', ' ', 'i', 's', ' ', 'g', 'r', 'e', 'a', 't']
b = re.findall(r'\d','python3 is great') #['3']
c = re.findall(r'\s','python3 is great') #[' ',' ']
d = re.findall(r'[a-z]','python3') #['p', 'y', 't', 'h', 'o', 'n']
e = re.findall(r'[a-z][0-9]','python3') #['n3'] (第一个字符是字母，第二个是数字代表数量的元字符
| 字符 | 功能 |
| * | 匹配前一个字符出现0次或者n次 |
| + | 匹配前一个字符出现1次或者n次 |
| ? | 匹配前一个字符出现0次或1次 |
| {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 |
import re
a = re.findall(r'3*','python3') #['', '', '', '', '', '', '3', ''] 'p'不是'3',相当于0次
b = re.findall(r'3+','python3 is python3') #['3', '3']
c = re.findall(r'p?','python3') #['p', '', '', '', '', '', '', '']
d = re.findall(r'p{2}','ppython3 is perfect') #['pp']表示边界的元字符
| 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 |
import re
a = re.findall(r'^py','python3') #['py']
b = re.findall(r'^py','12 py') #[]
c = re.findall(r'n3$','python3') #['n3']
d = re.findall(r'\bpy','python3 is good') #['py'] (单词以'py'为边界) 分组匹配
| 字符 | 功能 |
|---|---|
| | | 匹配左右任意一个表达式(或运算) |
| （ab） | 将括号中字符作为一个分组(整体) |
| \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 |
import re
s = "[email protected]"
p = r"(\w{3,20})@(163|qq|gmail|126)\.(com)" #括号内是一个整体
print(re.match(p,s).group()) #[email protected]
print(re.match(p,s).group(1)) #beiqiuimport re
s = '<html><h1>I love python</h1></html>'
p = r"<(?P<key1>.+)><(?P<key2>.+)>(.+)</(?P=key2)></(?P=key1)>" #重命名并引用
print(re.match(p,s).group('key1')) #html
print(re.match(p,s).group('key2')) #h14.贪婪和非贪婪
正则默认都是用贪婪模式去匹配数据的，就是尽可能多的匹配符合要求的数据
在非贪婪模式下，始终找最短匹配
import re
s1 = '<html><h1>I love python</h1></html>'
p1 = r"<.*>"
p2 = r"<.*?>"
print(re.match(p1,s1).group()) #<html><h1>I love python</h1></html>
print(re.match(p2,s1).group()) #<html>
s2 = '-123456789-'
p3 = r'-(\d+)(.+-)'
p4 = r'-(\d+?)(.+-)'
print(re.match(p3,s2).group(1),re.match(p3,s2).group(2)) #12345678 9-
print(re.match(p4,s2).group(1),re.match(p4,s2).group(2)) #1 23456789-