一、正则基础

1、为什么使用正则

• 需求

  判断一个字符串是否是手机号

• 解决

  编写一个函数，给函数一个字符串，如果是手机号则返回True，否则返回False

• 代码

  def isPhone(phone):# 长度为11# 全部都是数字字符# 以1开头passif isPhone("13812345678"):print("是手机号")
  else:print("不是手机号")
  

• 注意

  如果使用正则会让这个问题变得简单

2、正则与re模块简介

概述： 正则表达式，又称规则表达式

正则表达式(regular expression)描述了一种字符串匹配的模式（pattern）

正则匹配是一个 模糊的匹配(不是精确匹配)

**re：**python自1.5版本开始增加了re模块，该模块提供了perl风格的正则表达式模式，re模块是python语言拥有了所有正则表达式的功能

• 如下四个方法经常使用
  • match()
  • search()
  • findall()
  • finditer()

二、正则表达式

1、匹配单个字符与数字

2、匹配锚字符

锚字符:用来判定是否按照规定开始或者结尾

3、限定符

限定符用来指定正则表达式的一个给定组件必须要出现多少次才能满足匹配。有 * 或 + 或 ? 或 {n} 或 {n,} 或 {n,m} 共6种。

三、re模块中常用函数

通用flags（修正符）

通用函数

• 获取匹配结果

  • 使用group()方法 获取到匹配的值

  • groups() 返回一个包含所有小组字符串的元组(也就是自存储的值)，从 1 到 所含的小组号。

1、match()函数

• 原型

  def match(pattern, string, flags=0)
  

• 功能

  匹配成功返回 匹配的对象

  匹配失败 返回 None

• 获取匹配结果

  • 使用group()方法 获取到匹配的值

  • groups() 返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。

• 注意：从第一位开始匹配 只匹配一次

• 参数

  参数	说明
  pattern	匹配的正则表达式(一种字符串的模式)
  string	要匹配的字符串
  flags	标识位，用于控制正则表达式的匹配方式

• 代码

  import reres = re.match('\d{2}','123')
  print(res.group())
  print(res.span())#给当前匹配到的结果起别名
  s = '3G4HFD567'
  re.match("(?P<value>\d+)",s)
  print(x.group(0))
  print(x.group('value'))
  

2、searce()函数

• 原型

  def search(pattern, string, flags=0)
  

• 功能

  扫描整个字符串string，并返回第一个pattern模式成功的匹配

  匹配失败 返回 None

• 参数

  参数	说明
  pattern	匹配的正则表达式(一种字符串的模式)
  string	要匹配的字符串
  flags	标识位，用于控制正则表达式的匹配方式

• 注意：

  只要字符串包含就可以

  只匹配一次

• 示例

  import reres = re.search('[a-z]', '131A3ab889s')
  print(res)
  print(res.group()
  

• 注意

  与search的区别

  相同点：

  都只匹配一次

  不同点：

  • search是在要匹配的字符串中 包含正则表达式的内容就可以
  • match 必须第一位就开始匹配 否则匹配失败

3、findall()函数（返回列表）

• 原型

  def findall(pattern, string, flags=0)
  

• 功能

  扫描整个字符串string，并返回所有匹配的pattern模式结果的字符串列表

• 参数

  参数	说明
  pattern	匹配的正则表达式(一种字符串的模式)
  string	要匹配的字符串
  flags	标识位，用于控制正则表达式的匹配方式

• 示例

  myStr = """
  <a href="http://www.baidu.com">百度</a>
  <A href="http://www.taobao.com">淘宝</A>
  <a href="http://www.id97.com">电
  影网站</a>
  <i>我是倾斜1</i>
  <i>我是倾斜2</i>
  <em>我是倾斜2</em>
  """
  # html里是不区分大小写
  # （1）给正则里面匹配的 加上圆括号 会将括号里面的内容进行 单独的返回
  res = re.findall("(<a href=\"http://www\.(.*?)\.com\">(.*?)</a>)",myStr) #[('<a href="http://www.baidu.com">百度</a>', 'baidu', '百度')]# 括号的区别
  res = re.findall("<a href=\"http://www\..*?\.com\">.*?</a>",myStr) #['<a href="http://www.baidu.com">百度</a>']#(2) 不区分大小写的匹配
  res = re.findall("<a href=\"http://www\..*?\.com\">.*?</a>",myStr,re.I) #['<a href="http://www.baidu.com">百度</a>', '<A href="http://www.taobao.com">淘宝</A>']
  res = re.findall("<[aA] href=\"http://www\..*?\.com\">.*?</[aA]>",myStr) #['<a href="http://www.baidu.com">百度</a>']
  

  (3) 使.支持换行匹配

  res = re.findall("<a href=“http://www…?.com">.?”,myStr,re.S) #

  (4) 支持换行 支持不区分大小写匹配

  res = re.findall("<a href=“http://www…?.com">.?”,myStr,re.S|re.I) #

  print(res)

• 贪婪与非贪婪模式

  <H1>Chapter 1 - 介绍正则表达式</H1>
  

  **贪婪：**下面的表达式匹配从开始小于符号 (<) 到关闭 H1 标记的大于符号 (>) 之间的所有内容。

**非贪婪：**如果您只需要匹配开始和结束 H1 标签，下面的非贪婪表达式只匹配 <H1>。```python
/<.*?>/

/<\w+?>

4、finditer()函数

• 原型

  def finditer(pattern, string, flags=0)
  

• 功能

  与findall()类似，返回一个迭代器

• 参数

  参数	说明
  pattern	匹配的正则表达式(一种字符串的模式)
  string	要匹配的字符串
  flags	标识位，用于控制正则表达式的匹配方式

• 代码

  import reres = re.finditer('\w', '12hsakda1')
  print(res)
  print(next(res))for i in res:print(i)
  

5、split()函数

• 作用：切割字符串

• 原型：

  def split(patter, string, maxsplit=0, flags=0)
  

• 参数

  pattern 正则表达式

  string 要拆分的字符串

  maxsplit 最大拆分次数 默认拆分全部

  flags 修正符

• 示例

  import re
  myStr = "asdas\rd&a\ts12d\n*a3sd@a_1sd"
  #通过特殊字符 对其进行拆分 成列表
  res = re.split("[^a-z]",myStr)
  res = re.split("\W",myStr)
  

6、修正符

• 作用

  对正则进行修正

• 使用

  search/match/findall/sub/subn/finditer 等函数 flags参数的使用

• 修正符

  re.I 不区分大小写匹配

  re.M 多行匹配 影响到^ 和 $ 的功能

  re.S 使.可以匹配换行符 匹配任意字符

• 使用

  re.I

  print(re.findall('[a-z]','AaBb'))
  print(re.findall('[a-z]','AaBb', flags=re.I))
  

  re.M(实际)

  myStr = """asadasdd1\nbsadasdd2\ncsadasdd3"""
  print(re.findall('^[a-z]',myStr, ))
  print(re.findall('\A[a-z]',myStr))
  print(re.findall('\d$',myStr))
  print(re.findall('\d\Z',myStr))
  # re.M
  print(re.findall('^[a-z]',myStr, flags=re.M))
  print(re.findall('\A[a-z]',myStr, flags=re.M))
  print(re.findall('\d$',myStr, flags=re.M))
  print(re.findall('\d\Z',myStr, flags=re.M))
  

  re.S

  print(re.findall('<b>.*?</b>','<b>b标签</b>'))
  print(re.findall('<b>.*?</b>','<b>b标\n签</b>', flags=re.S))
  

四、正则高级

1、分组&起名称

• 概念

  处理简单的判断是否匹配之外，正则表达式还有提取子串的功能，用()表示的就是要提取的分组

• 代码

  #给当前匹配到的结果起别名
  s = '3G4HFD567'
  re.match("(?P<value>\d+)",s)
  print(x.group(0))
  print(x.group('value'))
  

• 说明

  • 正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来
  • group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串

2、编译

• 概念

  当在python中使用正则表达式时，re模块会做两件事，一件是编译正则表达式，如果表达式的字符串本身不合法，会报错。另一件是用编译好的正则表达式提取匹配字符串

• 编译优点

  如果一个正则表达式要使用几千遍，每一次都会编译，出于效率的考虑进行正则表达式的编译，就不需要每次都编译了，节省了编译的时间，从而提升效率

• compile()函数

  • 原型

    def compile(pattern, flags=0)
    

  • 作用

    将pattern模式编译成正则对象

  • 参数

    参数	说明
    pattern	匹配的正则表达式(一种字符串的模式)
    flags	标识位，用于控制正则表达式的匹配方式

  • flags

    值	说明
    re.I	是匹配对大小写不敏感
    re.M	多行匹配，影响到^和$
    re.S	使.匹配包括换行符在内的所有字符

  • 返回值

    编译好的正则对象

  • 示例

    import rere_phone = re.compile(r"(0\d{2,3}-\d{7,8})")
    print(re_phone, type(re_phone))
    

• 编译后其他方法的使用

  原型

  def match(self, string, pos=0, endpos=-1)
  def search(self, string, pos=0, endpos=-1)
  def findall(self, string, pos=0, endpos=-1)
  def finditer(self, string, pos=0, endpos=-1)
  

  参数

  参数	说明
  string	待匹配的字符串
  pos	从string字符串pos下标开始
  endpos	结束下标

  示例

  s1 = "lucky's phone is 010-88888888"
  s2 = "kaige's phone is 010-99999999"
  ret1 = re_phone.search(s1)
  print(ret1, ret1.group(1))
  ret2 = re_phone.search(s2)
  print(ret2, ret2.group(1))
  

3、贪婪与非贪婪

• 贪婪模式

  贪婪概念：匹配尽可能多的字符

  • .+ 匹配换行符以外的字符至少一次
  • .* 匹配换行符以外的字符任意次

  实例

  res = re.search('<b>.+</b>', '<b></b><b>b标签</b>')
  res = re.search('<b>.*</b>', '<b>b标签</b><b>b标签</b><b>b标签</b><b>b标签</b>')
  

• 非贪婪模式

  非贪婪概念：尽可能少的匹配称为非贪婪匹配，*?、+?即可

• .+? 匹配换行符以外的字符至少一次 拒绝贪婪

  • .*? 匹配换行符以外的字符任意次 拒绝贪婪

  实例

  res = re.search('<b>.+?</b>', '<b>b标签</b><b>b标签</b>')
  res = re.search('<b>.*?</b>', '<b>b标签</b><b>b标签</b><b>b标签</b><b>b标签</b>')
  

五、作业练习

一定先把代码写熟练几遍 在写练习！！！！！！！！！

文件路径->素材

1. 匹配年.txt

   • 匹配所有正常的年 7年 9年
   • 匹配出 2016/06/17格式的年月日

2. 匹配邮箱手机号.txt

   • 匹配所有正常的手机号
   • 匹配邮箱

3. 匹配豆瓣

   • 匹配豆瓣图书标题

   • 匹配图书的img标签 并将匹配到的标签写入img.html中

   • 抓取简介

4. 股票.html

   匹配出股票信息

5. 匹配大学排名

   匹配ranking字段 世界排名 大学名称