14_Python正则表达式与re模块_全栈开发学习笔记
2019-01-27 本文已影响0人
豆行僧
1. 正则表达式的引出
范例1：
你怎么判断这个phone_number是合法的呢？
根据手机号码一共11位并且是只以13、14、15、18开头的数字这些特点，我们用python写了如下代码：
while True:
phone_number = input('please input your phone number ： ')
if len(phone_number) == 11 \
and phone_number.isdigit()\
and (phone_number.startswith('13') \
or phone_number.startswith('14') \
or phone_number.startswith('15') \
or phone_number.startswith('18')):
print('是合法的手机号码')
else:
print('不是合法的手机号码')
执行结果：
please input your phone number ： 1923
不是合法的手机号码
please input your phone number ： 18123456789
是合法的手机号码
范例2：
运用正则表达式的写法
import re
phone_number = input('please input your phone number ： ')
if re.match('^(13|14|15|18)[0-9]{9}$',phone_number):
print('是合法的手机号码')
else:
print('不是合法的手机号码')
执行结果：
please input your phone number ： 139
不是合法的手机号码
please input your phone number ： 18123456789
是合法的手机号码
1.1 正则表达式在线工具
1.2 正则表达式使用规范表
2. RE模块
2.1 findall（重要）
想找到所有结果
范例：
import re
ret = re.findall('a', 'eva egon yuan') # 返回所有满足匹配条件的结果,放在列表里
print(ret)
ret = re.findall('[a-z]+', 'eva egon yuan') # 返回所有满足匹配条件的结果,放在列表里
print(ret)
执行结果：
['a', 'a']
['eva', 'egon', 'yuan']
2.2 search（重要）
想只找到一个结果
import re
ret = re.search('a', 'eva egon yuan')
if ret:
print(ret.group())
ret = re.search('j', 'eva egon yuan')
if ret:
print(ret.group())
#从前往后，找到一个就返回,返回的变量需要调用group才能拿到结果
#如果没有找到，那么返回None，调用group会报错
执行结果：
a
2.3 match（重要）
想在开头就匹配上
import re
ret = re.match('e', 'eva egon yuan')
if ret:
print(ret.group())
ret = re.match('ev', 'eva egon yuan')
if ret:
print(ret.group())
ret = re.match('[a-z]+', 'eva egon yuan')
if ret:
print(ret.group())
# match是从头开始匹配，如果正则规则从头开始可以匹配上，就返回一个变量。
# 匹配的内容需要用group才能显示
# 如果没匹配上，就返回None，调用group会报错
执行结果：
e
ev
eva
2.4 split
当要分割一个字符串的时候
ret = re.split('[ab]', 'abcd')
# # 先按'a'分割得到''和'bcd',再对''和'bcd'分别按'b'分割
print(ret)
执行结果：
['', '', 'cd']
2.5 sub（常用）
当要替换一个字符串的时候
import re
ret = re.sub('\d', 'H', 'eva3egon4yuan4',1)
#将数字替换成'H'，参数1表示只替换1个
print(ret)
ret = re.sub('\d', 'H', 'eva3egon4yuan4')
#将数字替换成'H'，无参数1表示替换所有
print(ret)
执行结果：
evaHegon4yuan4
evaHegonHyuanH
2.6 subn
import re
ret = re.subn('\d', 'H', 'eva3egon4yuan49alex8')
#将数字替换成'H'，返回元组(替换的结果,替换了多少次)
print(ret)
执行结果：
('evaHegonHyuanHHalexH', 5)
2.7 compile
当正则反复使用且正则较长的时候
import re
obj = re.compile('\d{3}')
#将正则表达式编译成为一个 正则表达式对象，规则要匹配的是3个数字
ret = obj.search('abc123eeee') #正则表达式对象调用search，参数为待匹配的字符串
print(ret.group())
ret = obj.search('abcashgjgsdghkash456eeee3wr2') #正则表达式对象调用search，参数为待匹配的字符串
print(ret.group())
执行结果：
123
456
2.8 finditer
要找的东西特别多的时候
import re
ret = re.finditer('\d', 'ds3sy4784a') #finditer返回一个存放匹配结果的迭代器
print(ret) # <callable_iterator object at 0x10195f940>
print(next(ret).group()) #查看第一个结果
print(next(ret).group()) #查看第二个结果
print(next(ret).group())
print([i.group() for i in ret]) #查看剩余的左右结果
ret = re.finditer('\d', 'ds3sy4784a')
for i in ret:
print(i.group())
执行结果：
<callable_iterator object at 0x000001A7D966F278>
3
4
7
['8', '4']
3
4
7
8
4
2.9 其他注意事项：优先级查询
- search的分组优先
import re
ret = re.search('^[1-9](\d{14})(\d{2}[0-9x])?$','110105199912122277')
print(ret.group())
print(ret.group(1)) # 取第一个分组内的内容
print(ret.group(2)) # 取第二个分组内的内容
执行结果：
110105199912122277
10105199912122
277
- findall取消分组优先
import re
ret = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com')
print(ret) # ['oldboy'] 这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可
ret = re.findall('www.(?:baidu|oldboy).com', 'www.oldboy.com') # 使用?:用来取消分组优先
print(ret) # ['www.oldboy.com']
执行结果：
['oldboy']
['www.oldboy.com']
- split的优先级查询
import re
ret=re.split("\d+","eva3egon4yuan")
print(ret) #结果 ： ['eva', 'egon', 'yuan']
ret=re.split("(\d+)","eva3egon4yuan")
print(ret) #结果 ： ['eva', '3', 'egon', '4', 'yuan']
#在匹配部分加上（）之后所切出的结果是不同的，
#没有（）的没有保留所匹配的项，但是有（）的却能够保留了匹配的项，
#这个在某些需要保留匹配部分的使用过程是非常重要的。
执行结果：
['eva', 'egon', 'yuan']
['eva', '3', 'egon', '4', 'yuan']
2.10 爬虫例子1
import re
from urllib.request import urlopen
def getPage(url):
response = urlopen(url)
return response.read().decode('utf-8')
def parsePage(s):
com = re.compile(
'<div class="item">.*?<div class="pic">.*?<em .*?>(?P<id>\d+).*?<span class="title">(?P<title>.*?)</span>'
'.*?<span class="rating_num" .*?>(?P<rating_num>.*?)</span>.*?<span>(?P<comment_num>.*?)评价</span>', re.S)
ret = com.finditer(s)
for i in ret:
yield {
"id": i.group("id"),
"title": i.group("title"),
"rating_num": i.group("rating_num"),
"comment_num": i.group("comment_num"),
}
def main(num):
url = 'https://movie.douban.com/top250?start=%s&filter=' % num
response_html = getPage(url)
ret = parsePage(response_html)
print(ret)
f = open("move_info7", "a", encoding="utf8")
for obj in ret:
print(obj)
data = str(obj)
f.write(data + "\n")
f.close()
count = 0
for i in range(10): # 10页
main(count)
count += 25
# url从网页上把代码搞下来
# bytes decode ——> utf-8 网页内容就是我的待匹配字符串
# ret = re.findall(正则，带匹配的字符串) #ret是所有匹配到的内容组成的列表
执行结果：
生成一个move_info7的文件
{'id': '1', 'title': '肖申克的救赎', 'rating_num': '9.6', 'comment_num': '1283490人'}
{'id': '2', 'title': '霸王别姬', 'rating_num': '9.6', 'comment_num': '947284人'}
{'id': '3', 'title': '这个杀手不太冷', 'rating_num': '9.4', 'comment_num': '1177716人'}
{'id': '4', 'title': '阿甘正传', 'rating_num': '9.4', 'comment_num': '1011706人'}
{'id': '5', 'title': '美丽人生', 'rating_num': '9.5', 'comment_num': '592034人'}
...
{'id': '246', 'title': '荒岛余生', 'rating_num': '8.5', 'comment_num': '163691人'}
{'id': '247', 'title': '勇士', 'rating_num': '8.9', 'comment_num': '100117人'}
{'id': '248', 'title': '枪火', 'rating_num': '8.7', 'comment_num': '119054人'}
{'id': '249', 'title': '迁徙的鸟', 'rating_num': '9.1', 'comment_num': '57898人'}
{'id': '250', 'title': '攻壳机动队', 'rating_num': '8.9', 'comment_num': '72306人'}
2.11 爬虫简易例子2（不生成文件）
import re
from urllib.request import urlopen
def getPage(url):
response = urlopen(url)
return response.read().decode('utf-8')
def parsePage(s):
ret = re.findall(
'<div class="item">.*?<div class="pic">.*?<em .*?>(?P<id>\d+).*?<span class="title">(?P<title>.*?)</span>'
'.*?<span class="rating_num" .*?>(?P<rating_num>.*?)</span>.*?<span>(?P<comment_num>.*?)评价</span>',s,re.S)
return ret
def main(num):
url = 'https://movie.douban.com/top250?start=%s&filter=' % num
response_html = getPage(url)
ret = parsePage(response_html)
print(ret)
count = 0
for i in range(10): # 10页
main(count)
count += 25
执行结果：
[('1', '肖申克的救赎', '9.6', '1283490人'), ('2', '霸王别姬', '9.6', '947284人'), ('3', '这个杀手不太冷', '9.4', '1177716人'), ('4', '阿甘正传', '9.4', '1011706人'), ('5', '美丽人生', '9.5', '592034人'), ('6', '泰坦尼克号', '9.3', '947372人'), ('7', '千与千寻', '9.3', '940412人'), ('8', '辛德勒的名单', '9.5', '530119人'), ('9', '盗梦空间', '9.3', '1023257人'), ('10', '机器人总动员', '9.3', '680657人'), ('11', '忠犬八公的故事', '9.3', '668630人'), ('12', '三傻大闹宝莱坞', '9.2', '917833人'), ('13', '海上钢琴师', '9.2', '763056人'), ('14', '放牛班的春天', '9.3', '633150人'), ('15', '大话西游之大圣娶亲', '9.2', '704012人'), ('16', '楚门的世界', '9.2', '687852人'), ('17', '龙猫', '9.2', '620786人'), ('18', '星际穿越', '9.2', '698752人'), ('19', '教父', '9.2', '463326人'), ('20', '熔炉', '9.3', '401050人'), ('21', '无间道', '9.1', '578870人'), ('22', '当幸福来敲门', '9.0', '742183人'), ('23', '疯狂动物城', '9.2', '776574人'), ('24', '触不可及', '9.2', '489976人'), ('25', '怦然心动', '9.0', '806397人')]
...
2.12 flags
flags有很多可选值：
re.I(IGNORECASE)忽略大小写，括号内是完整的写法
re.M(MULTILINE)多行模式，改变^和$的行为
re.S(DOTALL)点可以匹配任意字符，包括换行符
re.L(LOCALE)做本地化识别的匹配，表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境，不推荐使用
re.U(UNICODE) 使用\w \W \s \S \d \D使用取决于unicode定义的字符属性。在python3中默认使用该flag
re.X(VERBOSE)冗长模式，该模式下pattern字符串可以是多行的，忽略空白字符，并可以添加注释
使用方法：
import re
re.findall('\d','awir17948jsdc',re.S)
# 返回值：列表 列表中是所有匹配到的项
3. 练习
3.1 匹配标签
import re
ret = re.search("<(?P<tag_name>\w+)>\w+</(?P=tag_name)>","<h1>hello</h1>")
#还可以在分组中利用?<name>的形式给分组起名字
#获取的匹配结果可以直接用group('名字')拿到对应的值
print(ret.group('tag_name')) #结果 ：h1
print(ret.group()) #结果 ：<h1>hello</h1>
ret = re.search(r"<(\w+)>\w+</\1>","<h1>hello</h1>")
#如果不给组起名字，也可以用\序号来找到对应的组，表示要找的内容和前面的组内容一致
#获取的匹配结果可以直接用group(序号)拿到对应的值
print(ret.group(1))
print(ret.group()) #结果 ：<h1>hello</h1>
执行结果：
h1
<h1>hello</h1>
h1
<h1>hello</h1>
3.2 匹配整数
import re
ret=re.findall(r"\d+\.\d+|(\d+)","1-2*(60+(-40.35/5)-(-4*3))")
print(ret) #['1', '2', '60', '40', '35', '5', '4', '3']
ret.remove('')
print(ret)
ret=re.findall(r"-?\d+\.\d*|(-?\d+)","1-2*(60+(-40.35/5)-(-4*3))")
print(ret) #['1', '-2', '60', '', '5', '-4', '3']
ret.remove("")
print(ret) #['1', '-2', '60', '5', '-4', '3']
执行结果：
['1', '2', '60', '', '5', '4', '3']
['1', '2', '60', '5', '4', '3']
['1', '-2', '60', '', '5', '-4', '3']
['1', '-2', '60', '5', '-4', '3']
3.3 数字匹配
1、 匹配一段文本中的每行的邮箱
http://blog.csdn.net/make164492212/article/details/51656638
2、 匹配一段文本中的每行的时间字符串，比如：‘1990-07-12’；
分别取出1年的12个月（^(0?[1-9]|1[0-2])$）、
一个月的31天：^((0?[1-9])|((1|2)[0-9])|30|31)$
3、 匹配qq号。(腾讯QQ号从10000开始) ［1,9］[0,9]{4,}
4、 匹配一个浮点数。 ^(-?\d+)(\.\d+)?$ 或者 -?\d+\.?\d*
5、 匹配汉字。 ^[\u4e00-\u9fa5]{0,}$
6、 匹配出所有整数
4. 复习正则与re模块
# 正则表达式
# 字符组 [字符]
# 元字符
# \w \d \s
# \W \D \S
# . 除了换行符以外的任意字符
# \n \t
# \b
# ^ $ 匹配字符串的开始和结束
# （） 分组 是对多个字符组整体量词约束的时候用的
#re模块：分组是有优先的
# findall
# split
# | 从左到右匹配，只要匹配上就不继续匹配了。所以应该把长的放前面
# [^] 除了字符组内的其他都匹配
# 量词
# * 0~
# + 1~
# ？ 0~1
# {n} n
# {n,} n~
# {n,m} n~m
# 转义的问题
# import re
# re.findall(r'\\s',r'\s')
# 惰性匹配
# 量词后面加问号
# .*?abc 一直取遇到abc就停
# re模块
# import re
# re.findall('\d','awir17948jsdc',re.S)
# 返回值：列表 列表中是所有匹配到的项
# ret = search('\d(\w)+','awir17948jsdc'）
# ret = search('\d(?P<name>\w)+','awir17948jsdc'）
# 找整个字符串，遇到匹配上的就返回，遇不到就None
# 如果有返回值ret.group()就可以取到值
# 取分组中的内容 ： ret.group(1) / ret.group('name')
# match
# 从头开始匹配，匹配上了就返回，匹配不上就是None
# 如果匹配上了 .group取值
# 分割 split
# 替换 sub 和 subn
# finditer 返回迭代器
# compile 编译 ：正则表达式很长且要多次使用
