Python-re模块攻略

常用匹配规则

match()

从字符串的起始位置开始匹配，返回SRE_MATCH对象

importre

#文本内容

content='WOW! Stunning sunrise seen this morning from Belle Plaine, Minnesota'

#文本长度

print(len(content))

#匹配特征

pattern='^\w!\sStunning sunrise\s\w'

result=re.match(pattern,content)

print(result)

#匹配内容

print(result.group())

#匹配范围

print(result.span())

#输出结果

68

WOW!Stunningsunriseseen

(,26)

"^"为匹配字符串的开头（对于match方法来说，可以不加，因为是必须从开始位置匹配）

"\w"表示匹配字母、数字、下划线共3位。

"\s"表示匹配空格。

设定的pattern中，仅匹配sunrise后+空格(\s)+4个字母(\w)。

group()方法，返回了匹配的结果。

span()方法返回了匹配的范围。

提取匹配字段

如上文中，想提取sunrise和seen，可以通过将想提取的子字符串用"()"括起来

pattern='^\w!\sStunning (sunrise)\s(\w)\s\w\s\w'

然后通过group()方法调用分组索引

>>>print(result.group(1))

sunrise

>>>print(result.group(2))

seen

Tips小技巧:为了简化print某些对索引的输出，我们可以使用匿名表达式

f=lambda x:print(result.group(x))

f(1)会是什么结果呢？

通用匹配

在pattern中，我们对于"\s"空格和"\w"的多次切换使用，大多时候其实是冗余操作，因此，需要用到".*"进行任意字符匹配，这里从头开始匹配结尾到Minnesota。

pattern='^\w!\sStunning (sunrise).*Plaine$'

#输出结果

f=lambdax:print(result.group(x))

f(1)

sunrise

f(2)

morning

"."可以匹配任意字符（除换行符），指定re.DOTALL标记可以匹配包括换行符在内任意字符

"*"可以匹配前面的字符无限次数，与"."组合即无限匹配

贪婪与非贪婪

什么是贪婪，这里另外举例子，如果我们想匹配数字，可能，开始想这样设计匹配特征

content='Hello 1234567 World'

pattern='^He.*(\d+).*ld'

print(result.group(0))

Hello 1234567 World

print(result.group(1))

7

发现结果只有匹配到7，这是因为".*"优先匹配了最多的字符，然后才轮到(\d+)

所以此时可以转换为非贪婪匹配，在".*"后多增加个"?"

pattern='^He.*?(\d+).*ld'

使用非贪婪匹配的时候，必须注意，在结尾使用".*?"，意味着，尽可能少会少到不匹配。

修饰符

在正则表达式使用时，常常会遇到一些问题。比如，字符串换行时，发现无法匹配了

content='''Hello 123456

World'''

pattern='^He.*?(\d+).*ld'

Traceback (most recent call last):File "", line 1, inFile "", line 1, inAttributeError: 'NoneType' object has no attribute 'group'

原因是"."不能匹配换行符，所以我们这里需要使用re.S修饰，来使"."可以对换行符进行匹配

result=re.match(pattern,content,re.S)

print(result.group(1))

123456

转义匹配

对于内容中，如果本身就含有"."之类特殊字符，对这些字符进行匹配则需要用到"\"

search()

相对match()仅能从头开始匹配，search()方法允许返回整个字符串第一个匹配的特征。

google

findall()

需要通过一个特征匹配多组数据，findall()方法可以返回整个字符串所匹配的所有数据到列表中。

importrequests,re

headers= {

'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'

}

website='https://www.bilibili.com/read/home'

rget=requests.get(website,headers=headers,timeout=3)

pattern='(.*?)

(.*?)

'

results=re.findall(pattern,rget.text,re.S)

print(results)

B站，你懂的，总有几个感觉不易于消化的内容，不放上来了，返回的是列表形式。

sub()

将匹配的字符串直接进行替换，既可以用字符串提供的replace()方法，也可以使用re模块的sub()方法

使用方法：sub(repl, string[, count])

content='u 24a0r1e 9a4 ge3n3i123u55s'

content=re.sub('\d+','',content)

自己动手

提一点，在html,xml等等作为content层面上的应用，可以通过方法将上级节点去掉，即替换为空

,'|'表示或。

count表示最多替换次数

compile()

将一段正则表达式编译为pattern对象，并且可以传入修饰符，如re.S，从而不需要在使用search()、findall()等方法时再传入re.S了

importre

content1='2018-09-16 12:00:00'

content2='''2018-09-17 12:00:00

2018-09-18 12:00:00'''

pattern=re.compile('\d:\d:\d',re.S)

pattern='\d:\d:\d'

result1=re.sub(pattern,'',content1)

result2=re.sub(pattern,'',content2)

print('r1:\nr2:'.format(result1,result2))

r1:2018-09-16r2:2018-09-172018-09-18

split()

由于某些情况需要按照某些特征作为分隔符，提取为列表数据，使用split()

importre

content='''2018-09-17 12:13:14

2018-09-18 12:18:07'''

pattern=re.compile('-|\s|:',re.S)

result=re.split(pattern,content)

print(result)

['2018', '09', '17', '12', '13', '14', '2018', '09', '18', '12', '18', '07']

针对时间的"-"，"空格"，":"作为分隔符提取

实际上\s并不需要，re.S也不需要，仅做列出方案