# 正则表达式 ### 应用场景 - 特定规律字符串的查找，切割、替换等 - 特定格式(邮箱、手机号、IP、URL等)的校验 - 爬虫项目中，提取特定内容 ### 使用原则 - 只要使用字符串函数能够解决的问题就不要使用正则 - 正则的效率比较低，同时会降低代码的可读性 - 世界上最难理解的三样东西：医生的处方、道士的神符、码农的正则 - 提醒：正则是用来写的，不是用来读的；在不清楚功能的情况下，不要阅读别人的正则 ### 基本使用 - 说明：正则的解析不是我们来做的，需要借助`re`模块 - 相关函数： - match：只从开头进行匹配，匹配到就返回结果对象，没有找到返回None - search：从任意位置匹配，功能同上，都是单次匹配(找到就停) ```python m = re.search('abc', 'hadajabcadjlae') if m: # 返回匹配的内容 print(m.group()) # 返回匹配内容的位置 print(m.span()) ``` - findall：全部匹配，返回所有匹配的到结果列表，没有找到返回空列表 ```python f = re.findall('abcd', 'abcasjdlaabcaksjd;abcasdjla') print(f) ``` - compile：创建正则表达式对象，可以让创建正则对象和内容匹配分开操作 ```python # 可以先生成正则表达式对象，然后再进行匹配 c = re.compile('cba') # print(type(c)) # 从开头匹配 # m = c.match('cbasdhaj;acbaalsdk') # 从任意位置匹配 m = c.search('casdhaj;acbaalsdk') if m: print(m.group()) # 匹配所有 f = c.findall('ahkjdcbasdkjalcbasakldjacba') print(f) ``` > 此方式可以分开操作，比较灵活 ### 正则语法 - 单个字符 ``` 普通字符：简单理解就是一对一的完全匹配 []：中间的任意一个字符 [abc]：abc的任意一个字符 [0-9]：任意的数字字符 [a-zA-Z]：任意的字母 [^0-9]：非数字字符 . ：除' '以外的任意字符 d：数字字符，等价于[0-9] D：非数字字符，等价于[^0-9] w：匹配字(数字、字母、下划线) W：匹配非字(w相反的内容) s：空白字符( 、 、 、空格) S：非空白字符(s相反的内容) ：词边界(开头、结尾、空格、标点) B：非词边界(相反的内容) ``` - 次数限定：修饰前面的单个字符出现的次数 ``` *：任意次 +：至少一次 ?：至多一次 {m}：指定m次 {m,n}：m <= 次数 <=n {m,}：至少m次 {,m}：至多m次 ``` - 边界限定 - ^：以指定的内容开头 - $：以指定的内容结尾 - 示例： ```python import re # 只从开头匹配 # f = re.findall('^hello', 'asjdhelloaskd') # 只从结尾匹配 f = re.findall('world$', 'asjdhelloaskworld') # 同时限制开头和结尾 f = re.findall('^w*$', 'asjdhelloaskworld') print(f) ``` - 优先级与整体 ```python import re # |：表示或，拥有最低的优先级 # ()：可以表示一个整体 s = re.search('hell(o|w)orld', 'akdhahellworld') if s: print(s.group()) ``` - 分组匹配 - 示例1： ```python import re c = re.compile('(d+)([a-z]+)(d+)') s = c.search('agaj2635sdhasda237adjsd') if s: # 0：表示完整匹配内容，之后的数字表示第几组，也就是第几个()匹配的内容 print(s.group(0), s.span(0)) print(s.group(1), s.span(1)) print(s.group(2), s.span(2)) print(s.group(3), s.span(3)) ``` - 示例2： ```python import re # 固定匹配 # c = re.compile('<div><a>w+</a></div>') # 动态匹配：匹配两次嵌套的标签 # c = re.compile('<[a-z]+><[a-z]+>w+</[a-z]+></[a-z]+>') # 无名分组：1、2分别表示前面的第一组、第二组匹配的内容 # c = re.compile(r'<([a-z]+)><([a-z]+)>w+</2></1>') # 命名分组：给分组()起名字 c = re.compile(r'<(?P<one>[a-z]+)><(?P<two>[a-z]+)>w+</(?P=two)></(?P=one)>') s = c.search('<div><a>百度一下</a></div>') if s: print(s.group()) # 返回所有组的信息，是一个元组 print(s.groups()) # 返回分组的字典，键是组的名字，值时匹配的内容 print(s.groupdict()) ``` - findall ```python import re # 按照正则进行匹配，但是添加()后，结果只显示()匹配的内容 f = re.findall('A(abc)A', 'asdjAabcAasdjAabcAsdkabca') print(f) ``` - 贪婪匹配 - 贪婪：最大限度的匹配。正则的匹配默认是贪婪的 - 非贪婪：只要满足条件，能少匹配就少匹配。可以使用'?'取消贪婪 - 示例： ```python import re # .+?：取消至少一次的贪婪匹配 # c = re.compile('a.+?b') # .*?：取消任意多次的贪婪匹配 c = re.compile('a.*?b') s = c.search('sdhaasdajasksdbsdjbsdk') if s: print(s.group()) ``` - 匹配模式 - 说明：匹配模式就是对默认的匹配原则进行整体的修饰 - 示例： ```python import re # re.I：表示忽略大小写 # s = re.search(r'hello', 'Hello', re.I) # re.M：多行处理，默认会把字符当做一行处理 s = re.search(r'^hello', 'asdkasj helloajsdhkas', re.M) # string = '<div>hello</div>' string = '''<div> hello </div>''' # re.S：是.可以匹配任意，作为单行处理(忽略 ) s = re.search(r'<div>.*?</div>', string, re.S) if s: print(s.group()) ``` - 字符转义 - 匹配凡是跟正则语法相关的字符都需要需要进转义 - 示例： ```python import re # python \d \\d r'\d' # re \d \d \d # 实际 d d d # 推荐使用，否则需要写很多 c = re.compile(r'\d') s = c.search('d') if s: print(s.group()) # 匹配''字符串 c = re.compile(r'') # 本身有特殊含义 s = c.search(r'') if s: print('成功', s.group()) ``` > 在定义字符串的开头添加'r'表示原始字符串，可以轻松解决很多关于转义的问题 - 正则切割 ```python import re c = re.compile(r'd') string = '正则其实不难1但是学完之后2发现什么也不出来3是这样吧' # 字符串是固定切割，不能解决某类的匹配切割问题 # print(string.split('1')) # 按照正则进行切割 ret = c.split(string) print(ret) # 整体方案 print(re.split(r'd', string)) ``` - 正则替换 ```python string = 'helloadjasdhelloskdjalkhellosdjka' # 字符串替换 new_string = string.replace('hello', 'world', 2) print(new_string) import re s = 'how1are2you' # 正则替换 # s2 = re.sub(r'd', ' ', s) # 替换时可以传递一个函数，使用函数的返回值进行替换 def double(s): return str(int(s.group()) * 2) # return 'xxx' # 使用专门的处理函数，可以认为的干预替换过程 s2 = re.sub(r'd', double, s) print(s2)