1.正则和re模块的联系
正则表达式是一种通用的用来简洁表达一组字符串的表达式,利用正则表达式可以方便快捷的匹配和筛选字符串
举个例子:在一堆数据中进行电话号码的寻找,我们需要根据电话号码的特征在这一堆数据进行电话的寻找,电话是11位数的,全是数字,基于特征进行寻找
正则的一些方法都是放在re模块的
re 模块使 Python 语言拥有全部的正则表达式功能。
re 模块也提供了与这些方法功能完全一致的函数,这些函数使用一个模式字符串做为它们的第一个参数。
所以我们如果想使用正则表达式的话,我们是先进行将正则表达式导入re的操作
正则在爬虫里面很常见的,在大量的字符串里面进行数据的寻找
对于正则表达式来说,我们需要描述我们的需求,我们怎么写
对什么样的数字进行一系列的操作
比如说我们需要进行电话号码的匹配
11位,并且是数字
'\d{11}'
'1[3-9]\d{9}'----第一个数字只能是1,第二个数字是3-9之间的,后面的就是\d了,然后总长度限制为9
2.re模块的一些方法
re.match--从字符串开头进行匹配---匹配一次
re.match()必须从字符串开头匹配,match方法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成功的话,match()就返回none。
只会匹配一次数据
从字符串开头进行匹配
如果匹配失败的话那么就返回None
如果成功的话就会返回匹配的范围区间
必须从头进行匹配,不然是不成功的
从第一个字符一一开始进行比对
import re
r=re.match('test','testabcdfgsdtest')
print(r)
#<re.Match object; span=(0, 4), match='test'>r=re.match('test','Testabcdfgsdtest')
print(r)
#None
通过group将匹配的数据拿出来
#如果我们想将匹配的内容拿出来的话,我们可以使用下面的方法
import re
r=re.match('test','testabcdfgsdtest')
print(r)
print(r.group())
#test
获取到匹配数据的位置
通过span获取匹配到的数据的下标位置
import re
r=re.match('test','testabcdfgsdtest')
print(r)
print(r.span())
#(0, 4)
这里的(0,4)是一个左闭右开的内容
re.search---在字符串任意位置都能进行查找---匹配一次
re.search()方法只在目标字符串中匹配一次满足条件的正则表达式,返回的是查找的字符在字符串中的位置。
从字符串中进行内容的匹配,不管在那个位置,都可以进行目标的寻找
只会匹配一次数据(就是字符串里面第一个满足条件的一串字符)
import re
r=re.search('test','tdestabcdfgsdtest')
print(r)
print(r.group())
print(r.span())
#<re.Match object; span=(13, 17), match='test'>
r=re.search('test','Testatfsegsdtest')
print(r)
print(r.group())
print(r.span())#<re.Match object; span=(12, 16), match='test'>
re.findall--找打字符串中所有匹配的内容---匹配多次
从字符串中匹配内容,进行多次匹配,有多少次满足项,就匹配多少个
#<re.Match object; span=(12, 16), match='test'>
r=re.findall('test','tdestabtestcdfgsdtest')
print(r)
#['test', 'test']
返回的结果是以列表的形式进行存储的
3.匹配单个字符
\w 匹配单词字符,如字母、数字、下划线、汉字
.的匹配操作
import re
#.匹配任意字符,除了\n
print(re.findall('.','test\tand\n'))
#['t', 'e', 's', 't', '\t', 'a', 'n', 'd']
#可以将整个字符串进行一个拆分,将每个元素进行一个获取放到列表中存放
可以将整个字符串进行一个拆分,将每个元素进行一个获取放到列表中存放
除了\n都能进行匹配的操作
r=re.match('aaa.','aaa1212bbb')
print(r.group())
#aaa1
'''
正则表达式'aaa.'将会匹配字符串'aaa1212bbb'中的'aaa'
后面紧跟着的第一个字符,也就是数字'1'。因此,r.group()将会输出'aaa1'。
'''
\d的匹配操作
将字符串中的数字提取出来
import re
print(re.findall('\d','abd6c123'))
#['6', '1', '2', '3']
\D的匹配操作
将字符串中的非数字匹配提取出来
import re
print(re.findall('\D','abd6c123'))
#['a', 'b', 'd', 'c']
\s的匹配操作
匹配空白字符
import re
print(re.findall('\s','ted \t anfdsa sd '))
#[' ', '\t', ' ', ' ', ' ']
\S的匹配操作
匹配非空白字符
import re
print(re.findall('\S','ted \t anfdsa sd '))
#['t', 'e', 'd', 'a', 'n', 'f', 'd', 's', 'a', 's', 'd']
只要不是空白都能提取出来
\w的匹配操作
标点符号啥的都不进行匹配操作
匹配单词字符,如字母数字下划线等
import re
print(re.findall('\w','hi,小明!'))
#['h', 'i', '小', '明']
\W的匹配操作
作用与\w相反的
import re
print(re.findall('\W','hi,小明!'))
#['h', 'i', '小', '明']
#[',', '!']
[ ] 匹配[ ]列举的任意字符
我们上面的方法里面没有单独将字母进行分离出来的字符
import re
print(re.findall('[a-z]','hi,小明!123'))
#['h', 'i']
括号里面是字母的范围,只要字符串里面有满足这个条件的都会进行剥离出来的
只会匹配括号内列举出来的,一次匹配一个
import re
print(re.findall('[a-z,A-Z]','hi,小明DFS!123'))
#['h', 'i', ',', 'D', 'F', 'S']
在这个例子中,我们在括号内列举了a-z和A-Z,然后中间有个逗号
都算进了寻找的范围
那么如果我们想单单寻找小写和大写的字母的话,这么写
import re
print(re.findall('[a-zA-Z]','hi,小明DFS!123'))
#['h', 'i', 'D', 'F', 'S']
这么写就没有其他多余的元素了
我们想寻找什么东西就把这个写在[ ]内就行了
匹配数字
import re
print(re.findall('[0-9]','hi,小明DFS!123'))
#['1', '2', '3']
在括号内输入寻找数字的范围就行了
匹配数字,但不包含4
import re
print(re.findall('[0-35-9]','hi,小明DFS!124653'))
#['1', '2', '6', '5', '3']
输入范围0-3 5-9
4.匹配多个字符
匹配多个字符是基于单个字符的
*的匹配使用
import re
print(re.findall('\S*','hi,my name is xiaoming'))
#['hi,my', '', 'name', '', 'is', '', 'xiaoming', '']
*允许匹配0次,返回一个空白字符,所以会算上这个空格的
+的匹配使用
import re
print(re.findall('\S+','hi,my name is xiaoming'))
#['hi,my', 'name', 'is', 'xiaoming']
至少匹配1次,所以我们是不会算上空格的
所以说在空格之前都算上匹配中的
*和+的比较
通过比较我们能发现这个用*的话多了很多的空格
因为*允许匹配0次,返回一个空白字符
设置匹配的长度---{m }--匹配长度为m
import re
print(re.findall('\d{3}','1233456'))
#['123', '345']
我们使用{}进行长度的限制,长度至少是3才能进行匹配的操作
至少匹配次数---{m, }
import re
print(re.findall('\S{4,}','hi,my name is xiaoming'))
#['hi,my', 'name', 'xiaoming']
这里我们至少匹配4次才会算数的
这里的is就没有算进去,因为长度是不够的,不满足
匹配{m,n}次
至少匹配m次,最多匹配n次
import re
print(re.findall('\S{2,4}','hi,my name is xiaoming'))
#['hi,m', 'name', 'is', 'xiao', 'ming']
至少两次,最多4次
在这里我们没有进行y的输出,因为不满足条件了,而且后面有个空格,然后就进行下一组的匹配了
5.贪婪和非贪婪
贪婪:满足匹配的情况下,尽可能匹配多的数据
非贪婪:满足匹配的情况下,尽可能匹配少的数据
默认是贪婪模式
import re
print(re.findall('\S{2,4}','hi,my name is xiaoming'))
#['hi,m', 'name', 'is', 'xiao', 'ming']
这拿xiaoming 来举例子
我们xiao里面拿两个(xi)也能进行匹配,四个(xiao)也能进行匹配
但是我们这里选择了4个
所以我们这里是贪婪的
贪婪模如何修改为非贪婪模式呢?在匹配多个的后面加上问号?
import re
print(re.findall('\S{2,4}?','hi,my name is xiaoming'))
#['hi', ',m', 'na', 'me', 'is', 'xi', 'ao', 'mi', 'ng']
这种就是非贪婪的,满足条件的情况下尽量匹配少的数据
最上面的那种一次匹配4次,尽可能匹配多的数据,这个就是贪婪的情况
r=re.match('aaa.','aaa1212bbb')
print(r.group())
#aaa1
'''
正则表达式'aaa.'将会匹配字符串'aaa1212bbb'中的'aaa'
后面紧跟着的第一个字符,也就是数字'1'。因此,r.group()将会输出'aaa1'。
'''#贪婪
r=re.match('aaa.+','aaa1212bbb')
print(r.group())
#aaa1212bbb#非贪婪
r=re.match('aaa.+?','aaa1212bbb')
print(r.group())
#aaa1
#至少匹配1次并且是非贪婪的,那么尽可能少,
正则表达式'aaa.'将会匹配字符串'aaa1212bbb'中的'aaa'
后面紧跟着的第一个字符,也就是数字'1'。因此,r.group()将会输出'aaa1'。
aaa.+至少匹配一次
但是后面加个?的话那么就只会匹配一次了,
因为是非贪婪了
6.匹配开头(^)和匹配结尾($)的设置
^可以进行开头字符的设置
import re
#以t开头
print(re.findall('^t\w+','testabctest'))
#['testabctest']
'''
^t----设置以t开头
\w匹配字母数字下划线
+至少匹配一次
'''import re
#以t开头
print(re.findall('^t\w+','Testabctest'))
#[]
如果字符串中的开头不是T的话,返回的就是个空列表了
$ 设置匹配的结尾字符
import re
#以t结尾
print(re.findall('^t\w+t$','testabctest'))
#['testabctest']import re
#以T结尾
print(re.findall('^t\w+T$','testabctest'))
#[]
此时我们设置了开头和结尾,那么我们在+后面添加一个问号看看
import re
#以T结尾
print(re.findall('^t\w+?t$','testabctest'))
#['testabctest']#我们设置好了第一个和最后一个
#结尾字符指的就是字符串的最后面一个字符
#我们必须将中间的匹配完我们才能拿到#我们加上?的话就没啥用,就不存在贪婪和非贪婪的说法了
我们已经将字符串的开头和结尾设置好了,不存在什么贪婪和非贪婪的说法了,中间的必须进行匹配的操作
7. ^[]和[]的区别
^[ ]:匹配 [ ] 中列举的字符开头
[^ ]:匹配的不是 [ ]中列举的内容,就是取反操作,就是里面的我们不匹配,不是里面的我们都匹配
^[]的使用方法:
import re
#匹配[]内列举的内容
print(re.findall('^[Tt]\w+','Testabctest'))
#['Testabctest']
[^]的使用方法:不取括号内的元素吗,其他的都会进行匹配操作
import re
#不匹配[]内列举的内容
print(re.findall('[^Tt]','Testabctest'))
#['e', 's', 'a', 'b', 'c', 'e', 's']
8.()分组匹配
进行括号的匹配
r=re.match( '<.+>(.*)<.+>','<h1>python<\h1>')
print(r.group())
#<h1>python<\h1>
#获取到标签中间的句子
print(r.groups())
#('python',)
#以元组的形式进行存储
#尖括号对尖括号,那么这个圆括号就和python进行匹配上了
使用.*的话会将整个字符串进行匹配操作的
如果findall中使用了(),返回的内容只有()中匹配的数据的,以列表形式返回的
print(re.findall('<.+>(.*)<.+>','<h1>python<\h1>'))
#['python']
9.re模块的其他方法
compile---将正则表达式对象化
compile(正则表达式)---将正则表达式转换为对象,用于多次调用的正则表达式
c=re.compile('<.+>(.*)<.+>')
print(c)#re.compile('<.+>(.*)<.+>')
#通过对象进行方法的调用操作,那么就是省略掉了前面的正则表达式,写后面的字符串就行了
print(c.match('<h1>python<\h1>').groups())
#('python',)
print(c.search('<h1>python<\h1>').groups())
#('python',)
print(c.findall('<h1>python<\h1>'))
#['python']#我们后面都没写正则表达式了,因为我们在前面就将正则表达式转换为对象了#通过对象进行方法的调用,会将对象信息给到方法的
我们后面都没写正则表达式了,因为我们在前面就将正则表达式转换为对象了
我们后面直接用对象进行方法的调用就行了
使用compile将正则表达式转换为对象,使后面的代码更加简洁了
sub()---进行大量数据中数据的替换方法
replace--进行字符串中指定元素的替换操作
s='hello 111word 222'
#现在我们想将连续的三个数字替换为666
s=s.replace('111','666')
print(s)
#hello 666word 222
s=s.replace('222','666')
print(s)
#hello 666word 666#如果我们还存在其他的数字的话我们还需要进行替换的操作
#这样就会很麻烦的
对于数据小的我们还可以使用字符串中的replace进行替换操作
但是如果是数据比较大的我们就不是很方便进行数据的替换操作了
sub(正则表达式,新数据,修改的字符串,替换次数)
通过正则表达式对字符串进行批量的替换
如果我们后面设置了数字的话,那么就根据我们设置的数字进行替换的次数
s1='hello 111word 222'
#我们需要将连续的三个字符进行替换了
s2=re.sub('\d{3}','666',s1)
print(s2)
#hello 666word 666
#第一个参数就是替换的字符串的特点
#第二个参数是替换的新数据
#第三个是需要进行替换的字符串
将字符串中满足特点的条件的字符进行替换操作
split--通过正则进行拆分的操作
split(正则表达式,要拆分的字符串,拆分的次数)
s='huahua1xiaoming2lisi3lala'
#拆分出名字
l=re.split('\d',s)
print(l)
#['huahua', 'xiaoming', 'lisi', 'lala']
将字符串中满足条件的数字进行拆分了,以数字进行拆分符号进行拆分
第一个参数是拆分符号的特点,第二个参数是要拆分的字符串
上面是第一种拆分的方法,我们还有第二种方法进行拆分
l=re.split('[123]',s)
print(l)
#['huahua', 'xiaoming', 'lisi', 'lala']
直接将拆分的数字列举在括号内,然后进行拆分的操作
还可以这么写:
l=re.split('[1-3]',s)
print(l)
#['huahua', 'xiaoming', 'lisi', 'lala']
10.匹配边界--单词边界
print(re.match('ve\b','ve2test'))
#None
在Python中,re.match
函数是用来检查字符串是否从开始就符合给定的正则表达式模式。这里的正则表达式模式是 've\b'
。
让我们分解一下这个正则表达式:
-
ve
:这部分表示匹配文本中的 "ve" 这两个字符。 -
\b
:这是一个正则表达式的边界匹配符,它匹配一个单词的边界,即它前后不能是字母、数字或下划线。
所以,re.match('ve\b', 've2test')
这个调用会检查字符串 "ve2test" 是否从开始就符合 "ve" 后面紧跟一个单词边界的模式。
在这个例子中,"ve2test" 以 "ve" 开头,但 "ve" 后面紧跟着的是数字 "2",而不是一个单词边界。因此,re.match
会返回 None
,表示没有匹配成功。
如果你想匹配 "ve" 后面是单词边界的情况,你可以使用如下的正则表达式:
import re
print(re.match('ve\b', 've test'))
这将会输出一个匹配对象,因为 "ve" 后面是一个空格,它是一个单词边界。
正则的转义字符,以\开头
字符串的转义字符,以\开
转义字符在执行时,先执行字符串转义,再执行正则的转义
我们需要在字符串前面加上r取消字符串的转义
对于这个\b的话
ve\b
e的左边是数字字母,那么右边就不能是数字字母了
数字字母设置了\b边界,那么后面就不能是数字字母,后面必须是非数字字母的内容
那么大写的b就是相反的情况
print(re.match('ve\b','ve2test'))
#None
print(re.match(r've\b','ve!2test'))
#<re.Match object; span=(0, 2), match='ve'>print(re.match('ve\B','ve2test'))
#<re.Match object; span=(0, 2), match='ve'>
print(re.match('ve\B','ve!2test'))#None
b在正则里面是边界,但是在字符串里面是退格符