时间戳

首页 > 技术文章 > 正则表达式

正则表达式

markshui 2020-05-18 17:07 原文

正则表达式

  • 一、正则表达式的作用

    • 1.数据抓取，数据提取，如：抓取网站中的图片地址

    • 2.数据清洗 把不雅的评论清洗掉

    • 3.数据验证 ：验证手机号的合法性 11位数字

  • 二、re模块

    Python 提供的正则表达式处理模块 re，提供了各种正则表达式的处理函数，

    • 使用过程

      1.导入模块：import re
2.匹配：ret = re.match("正则表达式","要匹配的字符串")
3.判断是否成功：
	ret：不为空，表示匹配成功，返回match对象
		为空，匹配失败
4.取匹配结果  ret.group()
注意：re.match():匹配以xxx开头的字符串

    • 练习

      匹配 “ujiuye”
import re

ret = re.match("ujiuye","ujiuye.com")
# print(ret)
if ret:
    print(ret.group())
else:
    print("匹配不成功")

  • 三、匹配单个字符

    • 1.“.” ：表示匹配任意一个字符，除了\n(换行符)以外

      # - 1.“.” ：表示匹配任意一个字符，除了\n(换行符)以外
#案例：看电影，输入电影名称：“速度与激情”时，“激”字符可以任意输入，都算成功
# ret = re.match("速度与激情","速度与激情") #速度与激情
# ret = re.match("速度与.情","速度与即情") #速度与即情
# ret = re.match("速度与.情","速度与#情")  #速度与#情
# ret = re.match("速度与.情","速度与\n情") #None
ret = re.match("速度与.情","速度与情情abc12345") #速度与情情
print(ret)


      1. #案例：看电影，输入电影名称：“速度与激情”时，“速度与激情1”-“速度与激情8”都算正确的
# ret = re.match("速度与激情[12345678]","速度与激情1") #速度与激情1
# ret = re.match("速度与激情[12345678]","速度与激情a") #None
# ret = re.match("速度与激情[12345678]","速度与激情10") #速度与激情1
# ret = re.match("速度与激情[1-8]","速度与激情1") #速度与激情1
#“速度与激情6”不匹配
# ret = re.match("速度与激情[1-57-8]","速度与激情6")  #None
ret = re.match("速度与激情[a-z]","速度与激情a")
print(ret)

      1. \d：匹配数字，0-9

        #案例：看电影，输入电影名称：“速度与激情”时，“速度与激情1”-“速度与激情9”都算正确的
# ret = re.match("速度与激情\d","速度与激情6")
ret = re.match("速度与激情\d","速度与激情#")
print(ret)

#4.\D：匹配非数字，即不是数字
# ret = re.match("速度与激情\D","速度与激情6")
ret = re.match("速度与激情\D","速度与激情#")
print(ret)
      1. \s：匹配空格，包含空格和tab
      # ret = re.match("速度与激情\s","速度与激情#") #None
# ret = re.match("速度与激情\s","速度与激情 ") #"速度与激情 "
# ret = re.match("速度与激情\s","速度与激情") #None

#6.\S：匹配非空格
# ret = re.match("速度与激情\S","速度与激情8") #速度与激情8
# ret = re.match("速度与激情\S","速度与激情a")  #速度与激情a
# ret = re.match("速度与激情\S","速度与激情#")  #速度与激情#
ret = re.match("速度与激情\S","速度与激情 ")  #None
print(ret)

    • 7.\w：匹配单词字符：包含(a-z,A-Z,0-9,_)

      注意：在Python3中，中文字符包含在单词字符中，而Python2不包含

      # ret = re.match("\w","1") #1
# ret = re.match("\w","a") #a
# ret = re.match("\w","_") #_
# ret = re.match("\w","@")  #None
ret = re.match("\w","张")
print(ret)

#8.\W:匹配非单词字符
# ret = re.match("\W","1") #None
# ret = re.match("\W","a") #None
# ret = re.match("\W","_") #None
# ret = re.match("\W","@")  #@
ret = re.match("\W","张")  #None
print(ret)

  • 四、匹配多个字符

    • 1.{m}：匹配前一个字符出现m次

      #匹配出合法的手机号
#规则：要求满足11位，且第一位是1
# ret = re.match("\d{11}","12345678901") #12345678901
# ret = re.match("1\d{10}","32345678901") #None
# ret = re.match("1\d{10}","123ab678901") #None
ret = re.match("1\d{10}","12345678901abc") #12345678901
print(ret)

    • 2.{m,n}：匹配前一个字符出现m到n次

      案例：验证电话号码的合法性，如：010-1234567，0558-8080255
#规则：区号3-4位数字，电话号是7-8位数字，中间用“-连接”
# ret = re.match("\d{3,4}-\d{7,8}","010-1234567") #010-1234567
# ret = re.match("\d{3,4}-\d{7,8}","0558-8080255") #0558-8080255
ret = re.match("\d{3,4}-\d{7,8}","0558-8080255a") #0558-8080255
print(ret)
      1. ?：前一个字符出现0次或者1次，那么出现1次，那么出现0次
      案例：验证电话号码的合法性，如：010-1234567，0558-8080255
#规则：区号3-4位数字，电话号是7-8位数字，中间用“-连接”区号和电话号，“-”可有可无
# ret = re.match("\d{3,4}-\d{7,8}","0101234567") #None
# ret = re.match("\d{3,4}-?\d{7,8}","0101234567") #0101234567
ret = re.match("\d{3,4}-?\d{7,8}","010@1234567") #None
print(ret)
      1. *：匹配前一个字符出现0次或多次
      #案例：把一个文本内容全部提取出来
content = "life is short,I use Python！"
# content = "life is short,I use Python！"
content = "life is short,I use\n Python！"
# ret = re.match(".*",content)  #life is short,I use Python！
# ret = re.match(".*",content,re.S) #可以匹配多行 life is short,I use\n Python！
ret = re.match(".*","") ""
print(ret)
# print(ret.group())

    • 5.+：匹配前一个字符出现1次或多次，即至少出现1次

      # ret = re.match("a+","aaaa") #aaaa
ret = re.match("a+","") #None
print(ret)

  • 五、匹配开头与结尾

    • 1."^"：匹配开头的字符串

      # ret = re.match("ujiuye","ujiuye.com")
# ret = re.search("ujiuye","www.ujiuye.com")
ret = re.search("^ujiuye","www.ujiuye.com")
print(ret)
注意：^ 用在[]中，表示取反

    • 2."$"：匹配以xxx结尾的字符串

      #案例：匹配出合法的手机号，规则：11位数字，且第一位是1
# ret = re.match("1\d{10}","12345678901abc") #匹配成功但不符合需求
ret = re.match("1\d{10}$","12345678901abc") #None
print(ret)

  • 六、案例操作

    案例1：匹配出合法的变量名
names = ["age1","1age","AGO_","_9age","age_","a9#_2","a#ge"]
#匹配规则：字符由数字，字母，下划线组成，首字符不能是数字
for name in names:
    ret = re.match("[a-zA-Z_]\w*$",name)
    if ret:
        print("%s变量名合法"%ret.group())
    else:
        print("%s变量名不合法" % name)
        
        
案例2：匹配合法的163邮箱
email_list = ["zhangweiqinag@163.com","liu6_@qq.com","zhangwei@163.cn","xuweim@163.com.cn","liang@163ccom"]
#每个邮箱以“@163.com”结尾，@之前有4-20个单词字符
email_list = ["zhangweiqinag@163.com","liu6_@qq.com","zhangwei@163.cn","xuweim@163.com.cn","liang@163ccom"]
for email in email_list:
    ret = re.match("\w{4,20}@163\.com$",email)
    if ret:
        print("%s邮箱名合法"%ret.group())
    else:
        print("%s邮箱名不合法" % email)

  • 七、匹配分组

      1. |：匹配左右任意一个表达式
      匹配出合法的163或者126或者qq邮箱
email_list = ["zhangweiqinag@163.com","liu6_@qq.com","zhangwei@163.cn","xuweim@163.com.cn","liang@163ccom"]
# 匹配出合法的163或者126或者qq邮箱
for email in email_list:
    ret = re.match("\w{4,20}@163\.com$|\w{4,20}@126\.com$|\w{4,20}@qq\.com$",email)
    if ret:
        print("%s邮箱名合法"%ret.group())
    else:
        print("%s邮箱名不合法" % email)

    • 2.(ab)：分组

      # 匹配出合法的163或者126或者qq邮箱
# email = "liu6_@qq.com"
# ret = re.match("\w{4,20}@qq\.com$",email)
# ret = re.match("(\w{4,20})@qq\.com$",email)
# print(ret.group())
# print(ret.group(1))
for email in email_list:
    ret = re.match("\w{4,20}@(163|qq|126)\.com$",email)
    if ret:
        print("%s邮箱名合法"%ret.group(0))
    else:
        print("%s邮箱名不合法" % email)

    • 3.\num 引用分组：引用分组匹配到的字符串

      案例：检查html网页语法的合法性
3.\num 引用分组：引用分组匹配到的字符串
# 案例：检查html网页语法的合法性
#语法规则：标签必须配对
# content = "<h1>hello world</h1>"
content = "<h1>hello world</h2>"
#不严谨的写法
# ret = re.match("<\w+>.*</\w+>",content)
#严谨的写法
ret = re.match("<(\w+)>.*</\\1>",content)
print(ret)

    • 4.给分组给别名 （?P）

    • 5.(?P=name)：引用别名为name的分组匹配到的字符串

      案例：检查html网页语法的合法性

  • 八、re模块的其他用法 search，findall,sub

    #1.search :查看匹配的数据，匹配到立即返回
#语法和match相同
# 案例：匹配阅读次数
# content = "阅读次数88次，下载次数30次"
# ret = re.search("\d+",content)
# print(ret)

#2.findall():查找字符串中所有匹配的数据，返回的是列表
# # 案例：匹配所有的数字
# content = "阅读次数88次，下载次数30次"
# ret = re.findall("\d+",content)
# print(ret)

#3.sub ():替换，返回的是替换后的字符串
# 案例：将所有的次数归0
content = "阅读次数88次，下载次数30次"
ret = re.sub("\d+","0",content)
print(ret)

  • 九、贪婪和非贪婪

    • 1.Python中默认是贪婪，总是尝试尽可能多的匹配字符，非贪婪相反，总是尽可能少的匹配字符

      ret = re.match("\d{2,5}","12345")
print(ret)

    • 2.字符串前面加“r”表示原生字符串

    • re.complie(strPattern)

      # re.complie(strPattern),将字符串形式的正则表达式编译成pattern对象
pattern = re.compile("\d{2,5}")
ret = pattern.match("12345")
print(ret)

推荐阅读