关于python:12python正则表达式

把握了 XPath、CSS 选择器，为什么还要学习正则？

正则表达式，用规范正则解析，个别会把 HTML 当做一般文本，用指定格局匹配当相干文本，适宜小片段文本，或者某一串字符(比方电话号码、邮箱账户)，或者HTML 蕴含 javascript 的代码，无奈用 CSS 选择器或者 XPath

在线正则表达式测试网站 http://tool.oschina.net/regex…://docs.python.org/zh-cn/3/library/re.html

理解正则表达式

正则表达式是对字符串操作的一种逻辑公式，就是用当时定义好的一些特定字符、及这些特定字符的组合，组成一个 ”规定字符串“，这个 ” 规定字符串 ” 用来表白对字符串的一种过滤逻辑。

正则表达式常见概念

• 边界匹配

  ^ — 与字符串开始的中央匹配，不匹配任何字符；

  $ — 与字符串完结的中央匹配，不匹配任何字符；

  str = "cat abdcatdetf ios"

  ^cat : 验证该行以 c 结尾紧接着是 a，而后是 t

  ios$ : 验证该行以 t 结尾倒数第二个字符为 a 倒数第三个字符为 c

  ^cat$: 以 c 结尾接着是 a ->t 而后是行完结：只有 cat 三个字母的数据行

  ^$   : 结尾之后马上完结：空白行，不包含任何字符

  ^    : 行的结尾，能够匹配任何行，因为每个行都有行结尾

b — 匹配一个单词边界，也就是单词和空格之间的地位，不匹配任何字符；

  "er\b" 能够匹配 "never" 中的 "er"，但不能匹配 "verb" 中的 "er"。

B — b 取非，即匹配一个非单词边界；

 "er\B" 能匹配 "verb" 中的 "er"，但不能匹配 "never" 中的 "er"。

• 数量词的贪心模式与非贪心模式

  正则表达式通常用于在文本中查找匹配的字符串。Python 里数量词默认是贪心的（在多数语言里也可能是默认非贪心），总是尝试匹配尽可能多的字符；非贪心的则相同，总是尝试匹配尽可能少的字符。例如：

 正则表达式 "ab*" 如果用于查找 "abbbc"，将找到 "abbb"。而如果应用非贪心的数量词 "ab*?"，将找到 "a"。

• 反斜杠问题

与大多数编程语言雷同，正则表达式里应用 ”” 作为转义字符，这就可能造成反斜杠困扰。

如果你须要匹配文本中的字符 ””，那么应用编程语言示意的正则表达式里将须要 4 个反斜杠 ”\”：前两个和后两个别离用于在编程语言里本义成反斜杠，转换成两个反斜杠后再在正则表达式里本义成一个反斜杠。

Python 里的原生字符串很好地解决了这个问题，这个例子中的正则表达式能够应用 r ”” 示意。

同样，匹配一个数字的 ”d” 能够写成 r ”d”。有了原生字符串，你再也不必放心是不是漏写了反斜杠，写进去的表达式也更直观。

import re

a=re.search(r"\\","ab123bb\c")
print a.group()
 \

 a=re.search(r"\d","ab123bb\c")
 print a.group()
 1

Python Re 模块

Python 自带了 re 模块，它提供了对正则表达式的反对。

match 函数

re.match 尝试从字符串的 起始地位 匹配一个模式，如果不是起始地位匹配胜利的话，match()就返回 none。

上面是此函数的语法：

re.match(pattern, string, flags=0)

这里的参数的阐明：

匹配胜利 re.match 办法返回一个匹配的对象，否则返回 None。

咱们能够应用 group(num) 或 groups() 匹配对象函数来获取匹配表达式。

例子：

import re
line = "Cats are smarter than dogs"
matchObj = re.match(r'(.*) are (.*?) .*', line, re.M|re.I)

if matchObj:
   print ("matchObj.group() :", matchObj.group())
   print ("matchObj.group(1) :", matchObj.group(1))
   print ("matchObj.group(2) :", matchObj.group(2))
else:
   print ("No match!!")

当执行下面的代码，它产生以下后果：

matchObj.group() :  Cats are smarter than dogs
matchObj.group(1) :  Cats
matchObj.group(2) :  smarter

正则表达式修饰符 – 选项标记

正则表达式字面能够蕴含一个可选的修饰符来管制匹配的各个方面。修饰符被指定为一个可选的标记。能够应用异或提供多个修饰符（|），如先前所示，并且能够由这些中的一个来示意：

findall()函数

re.findall(pattern, string, flags=0)

返回字符串中所有模式的非重叠的匹配，作为字符串列表。该字符串扫描左到右，并匹配返回的程序发现

默认：pattren = "\w+"
target = "hello world\nWORLD HELLO"
re.findall(pattren,target)
        ['hello', 'world', 'WORLD', 'HELLO']

re.I:  
        re.findall("world", target,re.I)
        ['world', 'WORLD']

re.S:  
        re.findall("world.WORLD", target,re.S)
        ["world\nworld"]
        re.findall("hello.*WORLD", target,re.S)
        ['hello world\nWORLD']

re.M:
        re.findall("^WORLD",target,re.M)
        ["WORLD"]

re.X:
        reStr = '''\d{3}  #区号
                -\d{8}''' #号码
        re.findall(reStr,"010-12345678",re.X) 
        ["010-12345678"]

search 函数

re.search 扫描整个字符串并返回第一个胜利的匹配。

上面是此函数语法：

re.search(pattern, string, flags=0)

这里的参数阐明：

匹配胜利 re.search 办法返回一个匹配的对象，否则返回 None。

咱们能够应用 group(num) 或 groups() 匹配对象函数来获取匹配表达式。

例子：

import re
line = "Cats are smarter than dogs";
searchObj = re.search(r'(.*) are (.*?) .*', line, re.M|re.I)

if searchObj:
   print ("searchObj.group() :", searchObj.group())

   print ("searchObj.group(1) :", searchObj.group(1))

   print ("searchObj.group(2) :", searchObj.group(2))

else:
   print "Nothing found!!"

当执行下面的代码，它产生以下后果：

matchObj.group() :  Cats are smarter than dogs

matchObj.group(1) :  Cats

matchObj.group(2) :  smarter

re.match 与 re.search 的区别

re.match 只匹配字符串的开始，如果字符串开始不合乎正则表达式，则匹配失败，函数返回 None；而 re.search 匹配整个字符串，直到找到一个匹配。

例子：

import re
line = "Cats are smarter than dogs";
matchObj = re.match(r'dogs', line, re.M|re.I)

if matchObj:
   print ("match --> matchObj.group() :", matchObj.group())
else:
   print ("No match!!")

searchObj = re.search(r'dogs', line, re.M|re.I)

if searchObj:
   print ("search --> searchObj.group() :", searchObj.group())
else:
   print ("Nothing found!!")

当执行下面的代码，产生以下后果：

No match!!
search --> matchObj.group() :  dogs

搜寻和替换

Python 的 re 模块提供了 re.sub 用于替换字符串中的匹配项。

语法

re.sub(pattern, repl, string, max=0)

返回的字符串是在字符串中用 RE 最右边不反复的匹配来替换。

如果模式没有发现，字符将被没有扭转地返回。可选参数 count 是模式匹配后替换的最大次数；count 必须是非负整数。缺省值是 0 示意替换所有的匹配。实例：

例子

上面是一个爬虫做翻页面例子：

import re

url = "http://hr.t encent.com/position.php?&start=10"
page = re.search('start=(\d+)',url).group(1)

nexturl = re.sub(r'start=(\d+)', 'start='+str(int(page)+10), url)

print ("Next Url :", nexturl)

当执行下面的代码，产生以下后果：

Next Url :  http://hr.tencent.com/position.php?&start=20

正则表达式语法

下表列出了 Python 中可用正则表达式语法：

在线练习：https://www.520mg.com/it