python學習目錄
在mac下使用python3
python學習之資料型別
python學習之函式
python學習之高階特性
python學習之函式式程式設計
python學習之模組
python學習之物件導向程式設計
python學習之物件導向高階程式設計
python學習之錯誤除錯和測試
python學習之io程式設計
python學習之程序和執行緒
python學習之正則
python學習之常用模組
python學習之網路程式設計
正規表示式是一種用來匹配字串的強有力的**。它的設計思想是用一種描述性的語言來給字串定義乙個規則,凡是符合規則的字串,我們就認為它「匹配」了,否則,該字串就是不合法的。
在正規表示式中,如果直接給出字元,就是精確匹配。用\d
可以匹配乙個數字,\w
可以匹配乙個字母或數字,所以:
.
可以匹配任意字元,所以:
要匹配變長的字元,在正規表示式中,用*
表示任意個字元(包括0個),用+
表示至少乙個字元,用?
表示0個或1個字元,用表示n個字元,用
表示n-m個字元:
來看乙個複雜的例子:\d\s+\d
。
我們來從左到右解讀一下:
\d
表示匹配3個數字,例如'010'
;
\s
可以匹配乙個空格(也包括tab等空白符),所以\s+
表示至少有乙個空格,例如匹配' '
,' '
等;
\d
表示3-8個數字,例如'1234567'
。
綜合起來,上面的正規表示式可以匹配以任意個空格隔開的帶區號的**號碼。
如果要匹配'010-12345'
這樣的號碼呢?由於'-'
是特殊字元,在正規表示式中,要用'\'
轉義,所以,上面的正則是\d\-\d
。
但是,仍然無法匹配'010 - 12345'
,因為帶有空格。所以我們需要更複雜的匹配方式。
要做更精確地匹配,可以用表示範圍,比如:
a|b
可以匹配a或b,所以(p|p)ython
可以匹配'python'
或者'python'
。
^
表示行的開頭,^\d
表示必須以數字開頭。
$
表示行的結束,\d$
表示必須以數字結束。
你可能注意到了,py
也可以匹配'python'
,但是加上^py$
就變成了整行匹配,就只能匹配'py'
了。
有了準備知識,我們就可以在python中使用正規表示式了。python提供re
模組,包含所有正規表示式的功能。由於python的字串本身也用\
轉義,所以要特別注意:
s = 'abc\\-001'
# python的字串
# 對應的正規表示式字串變成:
# 'abc\-001'
複製**
因此我們強烈建議使用python的r
字首,就不用考慮轉義的問題了:
s = r'abc\-001'
# python的字串
# 對應的正規表示式字串不變:
# 'abc\-001'
複製**
先看看如何判斷正規表示式是否匹配:
>>>
import re
>>> re.match(r'^\d\-\d$', '010-12345')
<_sre.sre_match object; span=(0, 9), match='010-12345'>
>>> re.match(r'^\d\-\d$', '010 12345')
>>>
複製**
match()
方法判斷是否匹配,如果匹配成功,返回乙個match
物件,否則返回none
。常見的判斷方法就是:
test = '使用者輸入的字串'
if re.match(r'正規表示式', test):
print('ok')
else:
print('failed')
複製**
除了簡單地判斷是否匹配之外,正規表示式還有提取子串的強大功能。用()
表示的就是要提取的分組(group)。比如:
^(\d)-(\d)$
分別定義了兩個組,可以直接從匹配的字串中提取出區號和本地號碼:
>>> m = re.match(r'^(\d)-(\d)$', '010-12345')
>>> m
<_sre.sre_match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'
複製**
如果正規表示式中定義了組,就可以在match
物件上用group()
方法提取出子串來。
注意到group(0)
永遠是原始字串,group(1)
、group(2)
……表示第1、2、……個子串。
提取子串非常有用。來看乙個更**的例子:
>>> t = '19:05:30'
>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
>>> m.groups()
('19', '05', '30')
複製**
這個正規表示式可以直接識別合法的時間。但是有些時候,用正規表示式也無法做到完全驗證,比如識別日期:
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'
複製**
對於'2-30'
,'4-31'
這樣的非法日期,用正則還是識別不了,或者說寫出來非常困難,這時就需要程式配合識別了。
最後需要特別指出的是,正則匹配預設是貪婪匹配,也就是匹配盡可能多的字元。舉例如下,匹配出數字後面的0
:
>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')
複製**
由於\d+
採用貪婪匹配,直接把後面的0
全部匹配了,結果0*
只能匹配空字串了。
必須讓\d+
採用非貪婪匹配(也就是盡可能少匹配),才能把後面的0
匹配出來,加個?
就可以讓\d+
採用非貪婪匹配:
>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')
複製**
當我們在python中使用正規表示式時,re模組內部會幹兩件事情:
編譯正規表示式,如果正規表示式的字串本身不合法,會報錯;
用編譯後的正規表示式去匹配字串。
如果乙個正規表示式要重複使用幾千次,出於效率的考慮,我們可以預編譯該正規表示式,接下來重複使用時就不需要編譯這個步驟了,直接匹配:
>>>
import re
# 編譯:
>>> re_telephone = re.compile(r'^(\d)-(\d)$')
# 使用:
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')
複製**
編譯後生成regular expression物件,由於該物件自己包含了正規表示式,所以呼叫對應的方法時不用給出正則字串。 Python正則之再學習與實踐
昨天做網頁爬取的時候,感覺自己對正則不熟悉的很,故今天再花上午時間認真整理下,不可懈怠。1.常見正規表示式符號 1 literal 匹配文字字串的字面值literal 2 re1 re2 匹配正規表示式re1或者re2 foo bar 3 匹配任何字元 除 n b.b 4 匹配字串的起始部分 dea...
python 正則學習
常見萬用字元如下 匹配任何字元 換行符除外 匹配字串開始 匹配字串結尾 匹配前面出現的正規表示式0次或多次 匹配前面出現的正規表示式1次或多次 匹配前面出現的正規表示式0次或1次 匹配前面出現的正規表示式n次 匹配前面出現的正規表示式 m到n次 匹配字元組裡的任意乙個字元 不匹配字元組裡的任意乙個字...
python網路爬蟲學習筆記之之正規表示式
1.表達很多字串 可以直接使用乙個正規表示式 2.表達無窮多個字串時 比如 py 就表示p後邊跟乙個y或者無窮多個y時的情況 3.比如一組字串有某種特點,很難將它們列舉出來就可以使用正規表示式來進行 比如說 一組字串需要以 py 開頭 後續存在不多於10個字串,後續字串不得出現 p 或者 y 當然你...