正则表达示 for Python3

前情提要

从大量的文字内容中找到自己想要的东西,正则似乎是最好的方法.也是写爬虫不可缺少的技能.所以,别墨迹了赶紧好好学吧!

教程来自http://www.runoob.com/python3/python3-reg-expressions.html,感谢菜鸟教程.

一. 在Python3中 正则为 re 模块
import re

二.re.match函数
re.match –>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,语法:

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

pattern –> 匹配正则表达式

string –>要匹配的字符串.

flags –> 标志位,用于控制正则的匹配方式,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.

可以用group(num)或groups()匹配对象函数来获取匹配表达式.

group(num = 0) –> 匹配的整个表达式的字符串,group()可以一次输入多个级号,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至所含的小组号.

例子:

!/usr/bin/python3

-- coding:utf-8 --

import re

print(re.match(‘www’, ‘www.runoob.com).span()) # 在起始位置匹配. –>(0, 3)

print(re.match(‘com’, ‘www.runoob.com’) # 不在起始位置匹配. –> None

例子2:

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!!’)

三. re.search方法
re.search 扫描整个并返回第一个成功的匹配.语法:

re.search(pattern, string, flags=0) –> 参数说明和上面一样

匹配成功会返回一个匹配的对象,否则返回None.

group(num=0)和groups() 用法和上面一样.

例子:

import re

print(re.search(‘www’, ‘www.baidu.com’).span()) # 在起起始位置匹配. –> (0,3)

print(re.search(‘com’, ‘www.baidu.com’.span()) # 不在起始位置匹配. –>(11,14)

例子2:

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))

四.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,则匹配失败,返回None.而re.search匹配整个字符串,直至找到一个匹配.

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’)

matchObj = re.search(r’dogs’, line, re.M|re.I)

if matchObj:

print(‘search –> matchObj.group():’, matchObj.group())

else:

print(‘No match’)

五.检索和替换
re.sub(pattren, repl, string, count=0)

参数:

pattren–> 略

repl–>替换的字符串,也可以为一个函数.

string–>要被查找替换的原始字符串.

count–>模式匹配后替换的最大次数,默认0表示替换所有的匹配.

例子:

import re

phone = ‘2004-959-559 # 这是一个电话号码’

删除注释

num = re.sub(r’#.*$’, “”, phone)

print(‘电话号码’, num)

移除非数字的内容

num = re.sub(r’\D, “”, phone)

print(‘电话号码:’,num)

六.repl的参数是一个函数
import re

把匹配的数字*2

def double(matched):

value = int(matched.group(‘value’))

return str(value * 2)

s =‘A23G4HFD567’

　　print(re.sub(‘(?P\d+)’, double, s))

七.正则表达式修饰符 – 可选标志
　　正则表达工可以包含一些可选标志修饰符来控制匹配的械.修饰符被指定为一个可选的标志.多个标志可以通过按位OR(|)它们来指定,如re.I|re.M被设置成I和M标志:

　　re.l –> 例匹配对大小写不敏感.

re.L –> 做本地化识别(locale-aware)匹配

　　re.M –> 多行匹配,影响^和$

　　re.S –> 使.匹配包括换行在内的所有字符.

　　re.U –> 根据Unicode字符集解析字符,这个标志影响 \w , \W , \b , \B

　　re.X –> 通过给予你更灵活的格式以便你将正则表达式写得更易于理解.

八.正则表达式模式
　　模式字符串使用特殊的语法来表示一个正则:

字母和数字表示他们自身.一个正则表达式模式中的字母和数字匹配同样的字符串.

　　多数字母和数字前加一个反斜杠时会拥有不同的含义.

　　标点符号只有被黑底时才匹配自身,否则它们的表示特殊的含义.

　　反斜杠本身需要使用反斜杠转义

　　由于正则表达式通常都包含反斜杠,所以你最好使用原始字符串来表示它们.模式元素(如r’/t’ == ‘//t’)匹配相应的特殊字符.

　　下面列出了正则表达式模式语法中的特殊元素.如果你使用模式的同时提供了可选的标志参数,某些模式元素的含义会改变.

　　^ –> 匹配字符串的开头

　　$ –> 匹配字符串的末尾

　　. –> 匹配任意字符,除了换行符, 当re.DOTALL标记被指定时,则可以匹配包括换行符的任意字符.

　　[…] –> 用来表示一组字符,单独列出:[amk]匹配’a’,’m’,或’k’

[^…] –> 不在[]中的字符:[^abc]匹配除了a,b,c之外的字符.

　　re* –> 匹配0个或多个表达式.

　　re+ –> 匹配1个或多个表达式.

　　re? –>匹配0个或1个由前面的正则表达式定义的片段,非贪婪方式.

　　re{n} –> 

　　re{n,} –>精确匹配n个前面表达式.

　　re{n, m} –>匹配n到m次由前面的下面表达式定义的片段,贪婪方式

　　a|b –> 匹配a或b

　　(re) –> G匹配括号内的表达式,也表示一个组

　　(?imx) –> 正则表达式包含三种可选标志:i,m,x, 只影响括号中的区域.

　　(?-imx) –> 正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。

　　(?:re) –> 类似 (…), 但是不表示一个组

　　(?imx: re) –> 在括号中使用i, m, 或 x 可选标志

　　(?-imx: re) –> 在括号中不使用i, m, 或 x 可选标志

　　(?#…) –> 注释

　　(?= re) –> 前向肯定界定符。如果所含正则表达式，以 … 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。

　　(?! re) –> 前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功

　　(?> re) –> 匹配的独立模式，省去回溯。

　　\w –> 匹配字母数字

　　\W –> 匹配非字母数字

　　\s –> 匹配任意空白字符,等价于[\t\n\r\f]

　　\S –> 匹配任意非空字符

　　\d –>  匹配任意数字,等份于[0-9]

　　\D –> 匹配任意非数字

　　\A –> 匹配字符串开始

　　\Z –> 匹配字符串结束,如果是存在换行,只匹配到换行前的结束字符串.

　　\z –>  匹配字符串结束

　　\G –> 匹配最后匹配完成的位置.

　　\b –>  匹配一个单词边界,也就是指单词和空格间的位置.例如,’re\b’可以匹配’never’中的’er’,但是不能匹配’verb’中的’er’

　　\B –>  匹配非单词边界.和\b反过来

　　\n \t等 –>  匹配一个换行符 制表符等

　　\1…\9 –> 匹配第n个分组的子表达式.

　　\10 –>  匹配第n个分组的子表达式,如果它经匹配,否则指的是八进制字符码的表达式

　九.正则表达式实例
　　python –> 匹配”python“

　　字符类

　　[Pp]ython  –> ‘Python’或’python’

　　rub[ye] –> ‘ruby’ 或’rube’

　　[aeiou] –> 匹配中括号内的任意一个字母

　　[0-9]  –> 匹配任何数字 类似于[0123456789]

　　[a-z] –> 匹配任何小写字母

　　[A-Z] –> 匹配任何大写字母

　　[a-zA-z0-9] –> 可以匹配任何字母及数字

　　[^aeiou]  –> 除了aeiou字母以外的所有字符

　　[^0-9]  –> 除了数字外的字符

　　特殊字符类

　　.  –> 匹配除\n这外的任何单个字符.要匹配包括\n在内的任何字符,请使用[.\n的模式]

　　\d \D \s \S \w \W 上面都有了