你说要你想玩爬虫，但你说你不懂Python正则表达式，我信你个鬼，那你还不来看看？

前言

正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。

re 模块也提供了与这些方法功能完全一致的函数，这些函数使用一个模式字符串做为它们的第一个参数。

re.match函数

re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

函数语法：

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

函数参数说明：

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串。
flags	标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

匹配成功re.match方法返回一个匹配的对象，否则返回None。

我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

匹配对象方法	描述
group(num=0)	匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。
groups()	返回一个包含所有小组字符串的元组，从 1 到所含的小组号。

实例：

import re

line = "I really like you yesterday"

matchObj = re.match( r'(.*) really (.*?) .*', line)

print ("matchObj.group() : ", matchObj.group())print ("matchObj.group(1) : ", matchObj.group(1))print ("matchObj.group(2) : ", matchObj.group(2))

以上实例执行结果如下：

matchObj.group() :  I really like you yesterdaymatchObj.group(1) :  ImatchObj.group(2) :  like

re.search方法

re.search 会在字符串内查找模式匹配，直到找到第一个匹配。

函数语法：

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

函数参数说明：

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串。
flags	标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

匹配成功re.search方法返回一个匹配的对象，否则返回None。

我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

匹配对象方法	描述
group(num=0)	匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。
groups()	返回一个包含所有小组字符串的元组，从 1 到所含的小组号。

实例：

#!/usr/bin/python

import re

line = "I really like you yesterday";

searchObj = re.search(r'(.*) really (.*?) .*', line)

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

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

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

以上实例执行结果如下：

searchObj.group() : I really like you yesterday

searchObj.group(1) :  I

searchObj.group(2) :  love

re.match与re.search的区别

re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，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。

实例：

#!/usr/bin/python

import re

line = "I really like you yesterday";

matchObj = re.match( r'love', line)

if matchObj:

   print("match --> matchObj.group() : ", matchObj.group())

else:

   print "No match!!"

matchObj = re.search( r'love', line)

if matchObj:

   print "search --> matchObj.group() : ", matchObj.group()

else:

   print "No match!!"

以上实例运行结果如下：

No match!!

search --> matchObj.group() :  love

检索和替换

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 最左边不重复的匹配来替换。如果模式没有发现，字符将被没有改变地返回。

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 表示替换所有的匹配。

实例：

import re

phone = "2004-959-559 # 这是一个国外电话号码"

# 删除字符串中的 Python注释

num = re.sub(r'#.*$', "", phone)

print("电话号码是: ", num)

# 删除非数字(-)的字符串

num = re.sub(r'\D', "", phone)

print("电话号码是 : ", num)

以上实例执行结果如下：

电话号码 :  2004-959-559

电话号码 :  2004959559

repl 参数是一个函数

以下实例中将字符串中的匹配的数字乘以 2：

实例：

import re

# 将匹配的数字乘以 2

def double(matched):

    value = int(matched.group('value'))

    return str(value * 2)

s = 'A23G4HFD567'

print(re.sub('(?P<value>\d+)', double, s))

执行输出结果为：

A46G8HFD1134

re.compile 函数

compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。

语法格式为：

re.compile(pattern[, flags])

参数：

pattern : 一个字符串形式的正则表达式
flags : 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：
1. re.I 忽略大小写
2. re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
3. re.M 多行模式
4. re.S 即为 . 并且包括换行符在内的任意字符（. 不包括换行符）
5. re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
6. re.X 为了增加可读性，忽略空格和 # 后面的注释

实例

>>>import re

>>> pattern = re.compile(r'\d+')                    # 用于匹配至少一个数字

>>> m = pattern.match('one12twothree34four')        # 查找头部，没有匹配

>>> print (m)

None

>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配

>>> print (m)

None

>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配

>>> print (m)                                         # 返回一个 Match 对象

<_sre.SRE_Match object at 0x10a42aac0>

>>> m.group(0)   # 可省略 0

'12'

>>> m.start(0)   # 可省略 0

3

>>> m.end(0)     # 可省略 0

5

>>> m.span(0)    # 可省略 0

(3, 5)

在上面，当匹配成功时返回一个 Match 对象，其中：

group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
span([group]) 方法返回 (start(group), end(group))。

再看看一个例子：

>>>import re

>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)   # re.I 表示忽略大小写

>>> m = pattern.match('Hello World Wide Web')

>>> print (m)                               # 匹配成功，返回一个 Match 对象

<_sre.SRE_Match object at 0x10bea83e8>

>>> m.group(0)                            # 返回匹配成功的整个子串

'Hello World'

>>> m.span(0)                             # 返回匹配成功的整个子串的索引

(0, 11)

>>> m.group(1)                            # 返回第一个分组匹配成功的子串

'Hello'

>>> m.span(1)                             # 返回第一个分组匹配成功的子串的索引

(0, 5)

>>> m.group(2)                            # 返回第二个分组匹配成功的子串

'World'

>>> m.span(2)                             # 返回第二个分组匹配成功的子串

(6, 11)

>>> m.groups()                            # 等价于 (m.group(1), m.group(2), ...)

('Hello', 'World')

>>> m.group(3)                            # 不存在第三个分组

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

IndexError: no such group

findall

在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。

注意：match 和 search 是匹配一次 findall 匹配所有。

语法格式为：

findall(string[, pos[, endpos]])

参数：

string : 待匹配的字符串。
pos : 可选参数，指定字符串的起始位置，默认为 0。
endpos : 可选参数，指定字符串的结束位置，默认为字符串的长度。

查找字符串中的所有数字：

import re

pattern = re.compile(r'\d+')   # 查找数字

result1 = pattern.findall('school 123 google 456')

result2 = pattern.findall('sch88ool123google456', 0, 10)

print(result1)

print(result2)

输出结果：

['123', '456']

['88', '12']

re.finditer

和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。

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

参数：

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串。
flags	标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

实例：

import re

it = re.finditer(r"\d+","12a32bc43jf3")

for match in it:

    print (match.group() )

输出结果：

re.split

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

re.split(pattern, string[, maxsplit=0, flags=0])

参数：

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串。
maxsplit	分隔次数，maxsplit=1 分隔一次，默认为 0，不限制次数。
flags	标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

实例：

>>>import re

>>> re.split('\W+', 'school, school, chool.')

['runoob', 'runoob', 'w3cschool', '']

>>> re.split('(\W+)', ' school, school, school.')

['', ' ', 'runoob', ', ', 'school', ', ', 'school', '.', '']

>>> re.split('\W+', ' w3cschool, w3cschool, w3cschool.', 1)

['', 'school, school, school.']

>>> re.split('a*', 'hello world')   # 对于一个找不到匹配的字符串而言，split 不会对其作出分割

['hello world']

如果对软件测试、接口测试、自动化测试、持续集成、面试经验。感兴趣可以进到893694563，群内会有不定期的分享测试资料。还会有技术大牛，业内同行一起交流技术