什么是正則表達(dá)式

正則表達(dá)式，又稱規(guī)則表達(dá)式，通常被用來檢索、替換那些符合某個(gè)模式（規(guī)則）的文本。
正則表達(dá)式是對(duì)字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個(gè)“規(guī)則字符串”，這個(gè)“規(guī)則字符串”用來表達(dá)對(duì)字符串的一些過濾邏輯。
給定一個(gè)正則表達(dá)式和另一個(gè)字符串，我們可以達(dá)到如下的目的：

• 給定的字符串是否符合正則表達(dá)式的過濾邏輯(“匹配”)
• 通過正則表達(dá)式，從文本字符串中獲取到我們想要的特定部分（“過濾”）

正則表達(dá)式匹配規(guī)則

Python的re模塊

在python中，我們可以使用內(nèi)置的re模塊來使用正則表達(dá)式。
有一點(diǎn)需要特別注意的是，正則表達(dá)式使用對(duì)特殊字符進(jìn)行轉(zhuǎn)義，所以如果我們要使用原始字符串，只需要一個(gè)r前綴，示例：

r'chuanzhiboke\t\.\tpython'

re模塊的一般使用步驟如下：

使用compile()函數(shù)將正則表達(dá)式的字符串形式編譯為一個(gè)Pattern對(duì)象

通過Pattern對(duì)象提供的一系列方法將文本進(jìn)行匹配查找，獲得匹配結(jié)果(一個(gè)Match對(duì)象)

最后使用Match對(duì)象提供的屬性和方法獲得信息，根據(jù)需要進(jìn)行其他的操作。

compile對(duì)象

compile函數(shù)用于編譯正則表達(dá)式，生成一個(gè)Pattern對(duì)象，它的一般使用形式如下：

import re#將正則表達(dá)式編譯為Pattern對(duì)象 pattern = re.compile(r'\d+')

在上面，我們已將一個(gè)正則表達(dá)式編譯成Pattern對(duì)象，接下來，我們就可以利用pattern的一系列方法對(duì)文本進(jìn)行匹配查找了。
Pattern對(duì)象的一些常用方法主要有：

• match對(duì)象：從起始位置開始查找，一次匹配。
  
• search對(duì)象：從任何位置開始查找，一次匹配。
  
• findall()對(duì)象：全部匹配，返回列表。
  
• finditer()對(duì)象：全部匹配，返回迭代器。
  
• spilt()對(duì)象：分割字符串，返回列表
• sub()對(duì)象：替換

match 方法
match方法用于查找字符串的頭部(也可以指定起始位置)，它是一次匹配，只要找到了一個(gè)匹配的結(jié)果返回，而不是查找所有匹配的結(jié)果，它的一般使用形式如下：

match(string[, pos[, endpos]])

其中，string是待匹配的字符串，pos和endpos是可選參數(shù)，指定字符串的起始和終點(diǎn)位置，默認(rèn)值分別是0和len(字符串長度)。因此，當(dāng)你不指定pos和endpos時(shí)，match方法默認(rèn)匹配字符串的頭部。

當(dāng)匹配成功時(shí)，返回一個(gè)Match對(duì)象，如果沒有匹配上，則返回None。

>>>import re >>>pattern = re.compile(r'\d+') #用于匹配至少一個(gè)數(shù)字>>>m = pattern.match('one12twothree34four') #查找頭部，沒有匹配 >>>print(m) #如果沒有匹配上，就什么也不輸出>>>m = pattern.match('one12twothree34four', 2, 10) #從'e'的位置開始匹配，沒有匹配到 >>>print(m) >>>m = pattern.match('one12twothree34four', 3, 10) #從'1' 的位置開始匹配，正好匹配上 >>>print(m) <_sre.SRE_Match object at 0x10a42aac0> >>>m.group(0) #可忽略0 '12' >>>m.start(0) #可忽略0 3 >>>m.end(0) #可忽略0 5 >>>m.span(0) #可忽略0 (3, 5)

在上面，當(dāng)匹配成功時(shí)返回一個(gè)Match對(duì)象，其中：

• • group([group1,...])方法用于獲得一個(gè)或多個(gè)分組匹配的字符串，當(dāng)要獲得整個(gè)匹配字符串的子串時(shí)，可直接使用group()或group(0);
    
  • start([group])方法用于獲取分組匹配的子串在整個(gè)字符串中的起始位置（子串第一個(gè)字符的索引）,參數(shù)默認(rèn)值為0；
    
  • end([group])方法用于獲取分組匹配的子串在整個(gè)字符串中的結(jié)束位置（子串最后一個(gè)字符的索引+1）,參數(shù)默認(rèn)值是0
    
  • span([group])方法返回(start[group], end(group))

>>>import re >>>pattern = re.compile(r'([a-z]+) （[a-z]+)', re.I) #表示忽略大小寫 >>>m = pattern.match('hello world wide web')>>>print(m) #匹配成功，返回一個(gè)Match對(duì)象 <_sre.SRE_Match object at 0x10bea83e8>>>>m.group(0) #返回匹配成功的整個(gè)子串 'Hello World'>>>m.span(0) #返回匹配成功的整個(gè)子串 (0, 11)>>>m.group(1) #返回第一個(gè)分組匹配成功的子串 'Hello'>>>m.span(1) #返回第一個(gè)分組匹配成功 (0, 5)>>>m.group(2) #返回第2個(gè)分組匹配成功的子串 'World'>>>m.span(2) #返回第2個(gè)分組匹配成功的子串的位置 (6, 11)>>>m.groups() #等價(jià)于(m.group(1), m.group(2), ...) ('Hello', 'World')>>>m.group(3) #不存在第3個(gè)分組 Traceback (most recent call last):File "<stdin>", line 1, in <module> IndexError: no such group

search方法
search方法用于查找字符串的任何位置，它也是一次匹配，只要找到了一個(gè)匹配的結(jié)果就返回，而不是查找所有匹配的結(jié)果，它的一般使用形式如下：

search[string[, pos[, endpos]]]

?

其中，string是待匹配的字符串，pos和endpos是可選參數(shù)，指定字符串的起始和終點(diǎn)位置，默認(rèn)值分別是0和len(字符串長度)。
當(dāng)匹配成功時(shí)，返回一個(gè)Match對(duì)象，如果沒有匹配上，則返回None。
讓我們看看例子：

>>>import re >>>pattern = re.compile('\d+') >>>m = pattern.search('one12twothree34four') #這里如果使用match方法則不匹配 >>>m <_sre.SRE_Match object at 0x10cc03ac0> >>>m.group() '12' >>>m = pattern.search('one12twothree34four', 10, 30) #指定字符串區(qū)間 >>>m <_sre.SRE_Match object at 0x10cc03b28> >>>m.group() '34' >>>m.span() (13, 15)

在看一個(gè)例子：

# coding:utf-8 import re #將正則表達(dá)式編譯成Pattern對(duì)象 pattern = re.compile(r'\d+') #使用search()方法查找匹配的字符串，不存在匹配的子串時(shí)將不返回 m = pattern.search('hello 123456 789') if m:#使用Match獲得分組信息print('matching string：',m.group())#起始位置和結(jié)束位置print('position: ',m.span())

執(zhí)行結(jié)果

matching string: 123456 position:(6,12)

findall 方法
上面的match和search方法都是一次匹配，只要找到了一個(gè)匹配的結(jié)果就返回。然而，在大多數(shù)時(shí)候，我們需要搜索整個(gè)字符串，獲得所有匹配的結(jié)果。
findall方法的使用形式如下：

findall(string[, pos[, endpos]])

其中，string是待匹配的字符串，pos和endpos是可選參數(shù)，指定字符串的起始和終點(diǎn)位置分別是0和len(字符串長度)。
findall是以列表形式返回全部能匹配到的子串，如果沒有匹配，則返回一個(gè)空列表。

import re pattern = re.compile(r'\d+') #查找數(shù)字 result1 = pattern.findall('hello 123456 789') result2 = pattern.findall('one1two2three3four4', 0, 10)print(result1) print(2)

執(zhí)行結(jié)果如下：

['123456', '789'] ['1', '2']

再來看一個(gè)例子：

import re #re模塊提供一個(gè)方法叫compile提供，提供我們輸入一個(gè)匹配的規(guī)則 #然后返回一個(gè)pattern實(shí)例，我們根據(jù)這個(gè)規(guī)則去匹配字符串 pattern = re.compile(r'd+\.\d*')#通過pattern.findall()方法能夠全部匹配到我們得到的字符串 result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")#findall以列表形式 返回全部能匹配到的子串給result for item in result:print(item)

?

運(yùn)行結(jié)果：

123.141593 3.15

?

finditer方法
finditer方法的行為跟findall的行為類似，也是搜索整個(gè)字符串，獲得所有匹配的結(jié)果。但它返回一個(gè)順序訪問每一個(gè)匹配結(jié)果(Match對(duì)象)的迭代器。

#coding:utf-8 import repattern = re.compile(r'\d+')result1 = pattern.finditer('hello 123456 789') result2 = pattern.finditer('one1two2three3four4', 0, 10) print(result1) print(result2) print('result1....') for m1 in result1:print("matching string:{} position:{}".format(m1.group(), m1.span()))print('result2....') for m2 in result2:print("matching string:{} position:{}".format(m2.group(), m2.span()))

?

執(zhí)行結(jié)果：

<type 'callable-iterator'> <type 'callable-iterator'> result1. matching string: 123456, position: (6, 12) matching string: 789, position: (13, 16) result2 matching string: 1, position: (3, 4) matching string: 2, position: (7, 8)

?

split 方法
split方法按照能夠匹配的子串將字符串分割后返回列表，它的使用形式如下：

split(string[, maxsplit])

?

其中，maxsplit用于指導(dǎo)最大分割次數(shù)，不知道靜全部分割。
看看例子：

import re p = re.compile(r'[\s\,;]+') print(p.split('a,b;;c d'))

?

執(zhí)行結(jié)果：

['a', 'b', 'c', 'd']

?

sub方法
sub方法用于替換。它的使用形式如下：

sub(repl, string[, count])

其中，repl可以是字符串也可以是一函數(shù)：

• 如果repl是字符串，則會(huì)使用repl去替換字符串每一個(gè)匹配的子串，并返回替換后的字符串，repl還可以使用id的形式來引用過分組，但不能使用編號(hào)0；
  
• 如果repl是函數(shù)，這個(gè)方法應(yīng)當(dāng)只接受一個(gè)參數(shù)(Match對(duì)象)，并返回一個(gè)字符串用于替換(返回的字符串中不能再引用分組)。
  
• count用于指導(dǎo)最多替換次數(shù)，不指定時(shí)全部替換。

看看例子：

import re p = re.compile(r'(\w+) (\w+)') #\w=[A-Za-z0-9] s = 'hello 123, hello 456'print(p.sub(r'hello world', s)) #使用'hello world'替換'hello 123'和'hello 456' print(p.sub(r'\2 \1', s))def func(m):return 'hi' + ' ' + m.group(2)print(p.sub(func, s)) print(p.sub(func, s, 1))

?

執(zhí)行結(jié)果：

hello world, hello world 123 hello, 456 hello hi 123, hi 456 hi 123, hello 456

?

匹配中文
在某些情況下，我們想要匹配文本中的漢字，有一點(diǎn)需要注意的是，中文的unicode編碼范圍主要在[u4e00-u9fa5]，這里說主要是因?yàn)檫@個(gè)范圍并不完整，比如沒有包括全角(中文)標(biāo)點(diǎn)，不過，在大部分情況下，應(yīng)該是夠用的。
假設(shè)現(xiàn)在想把字符串title=u'你好，hello，世界'中的中文提取出來，可以這么做：

import re title = u'你好，hello，世界' pattern = re.compile(u'[\u4e00-\u9fa5]+') result = pattern.findall(title)print(result)

?

注意到，我們?cè)谡齽t表達(dá)式前面加上了前綴u，u表示unicode字符串。
執(zhí)行結(jié)果：

['你好', '世界']

?

注意：貪婪模式與非貪婪模式

貪婪模式：在整個(gè)表達(dá)式匹配成功的前提下，盡可能多的匹配(*);

非貪婪模式：在整個(gè)表達(dá)式匹配成功的前提下，盡可能少的匹配(?);

Python里數(shù)量詞默認(rèn)是貪婪的。

實(shí)例一：源字符串：abbbc

• 使用貪婪的數(shù)量詞的正則表達(dá)式ab+,匹配結(jié)果：abbb。

  *決定了盡可能多匹配b，所以a后面所有的b都出現(xiàn)了。

• 使用非貪婪的數(shù)量詞的正則表達(dá)式ab*?，匹配結(jié)果：a。

  即使前面有*,但是?決定了盡可能少匹配b，所以沒有b。

實(shí)例二：源字符串：aa<div>test1</div>bb<div>test2</div>cc

• 使用貪婪的數(shù)量詞的正則表達(dá)式：<div>.*</div>
  

• 匹配結(jié)果：<div>test1</div>bb<div>test2</div>

  這里采用的是貪婪模式。在匹配到第一個(gè)“</div>”時(shí)已經(jīng)可以使整個(gè)表達(dá)式匹配成功，但是由于采用的是貪婪模式，所以仍然要向右嘗試匹配，查看是否還有更長的可以成功匹配的子串。匹配到第二個(gè)“</div>”后，向右再?zèng)]有可以成功匹配的子串，匹配結(jié)束，匹配結(jié)果為“<div>test1</div>bb<div>test2</div>”

• 使用非貪婪的數(shù)量詞的正則表達(dá)式：<div>.*?</div>

• 匹配結(jié)果：<div>test1</div>

  正則表達(dá)式二采用的是非貪婪模式，在匹配到第一個(gè)“</div>”時(shí)使整個(gè)表達(dá)式匹配成功，由于采用的是非貪婪模式，所以結(jié)束匹配，不再向右嘗試，匹配結(jié)果為“<div>test1</div>”。

參考

正則表達(dá)式測(cè)試網(wǎng)址

廖雪峰-正則表達(dá)式

Python正則匹配中文與編碼總結(jié)

轉(zhuǎn)載于:https://www.cnblogs.com/moying-wq/p/11569946.html

總結(jié)

以上是生活随笔為你收集整理的Python爬虫(八)_正则表达式的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。