Python正則表達式re模塊詳解(建議收藏!)

更新時間：2022年07月05日 14:38:47 作者：山山而川'

正則表達式是用來匹配與查找字符串的,從網(wǎng)上爬取數(shù)據(jù)自然或多或少會用到正則表達式,python的正則表達式要先引入re模塊,這篇文章主要給大家介紹了關(guān)于Python正則表達式re模塊的相關(guān)資料,需要的朋友可以參考下

前言

正則表達式是對字符串提取的一套規(guī)則，我們把這個規(guī)則用正則里面的特定語法表達出來，去匹配滿足這個規(guī)則的字符串。正則表達式具有通用型，不僅python里面可以用，其他的語言也一樣適用。

python中re模塊提供了正則表達式的功能，常用的有四個方法(match、search、findall)都可以用于匹配字符串

match

匹配字符串

re.match()必須從字符串開頭匹配！match方法嘗試從字符串的起始位置匹配一個模式，如果不是起始位置匹配成功的話，match()就返回none。主要參數(shù)如下：

re.match(pattern, string)
# pattern     匹配的正則表達式
# string      要匹配的字符串

例子

import re
a = re.match('test','testasdtest')  
print(a)                             #返回一個匹配對象
print(a.group())                     #返回test，獲取不到則報錯
print(a.span())           #返回匹配結(jié)果的位置，左閉右開區(qū)間
print(re.match('test','atestasdtest'))  #返回None

從例子中我們可以看出，re.match()方法返回一個匹配的對象，而不是匹配的內(nèi)容。如果需要返回內(nèi)容則需要調(diào)用group()。通過調(diào)用span()可以獲得匹配結(jié)果的位置。而如果從起始位置開始沒有匹配成功，即便其他部分包含需要匹配的內(nèi)容，re.match()也會返回None。

單字符匹配

以下字符，都匹配單個字符數(shù)據(jù)。且開頭（從字符串0位置開始）沒匹配到，即使字符串其他部分包含需要匹配的內(nèi)容，.match也會返回none

. 匹配任意一個字符

使用幾個點號就代表幾個字符

import re
a = re.match('..','testasdtest')  
print(a.group())   #輸出te                             
b = re.match('ab.','testasdtest')  
print(b) #返回none，因為表達式是以固定的ab開頭然后跟上通配符. 所以必須要先匹配上ab才會往后進行匹配

\d 匹配數(shù)字

一個\d代表一個數(shù)字。開頭沒匹配到，即使字符串其他部分包含需要匹配的內(nèi)容，.match也會返回none

import re
a = re.match('\d\d','23es12testasdtest')  
print(a)                               
b = re.match('\d\d\d','23es12testasdtest')   
print(b)   #要求匹配三個數(shù)字，匹配不到返回none
c = re.match('\d','es12testasdtest')   
print(c)   #起始位置沒有匹配成功，一樣返回none

\D 匹配非數(shù)字

開頭沒匹配到，即使字符串其他部分包含需要匹配的內(nèi)容，.match也會返回none

import re
a = re.match('\D','23es12testasdtest')  
print(a)     #開頭為數(shù)字所以返回none                          
b = re.match('\D\D','*es12testasdtest')   
print(b)   #返回*e

\s 匹配特殊字符，如空白，空格，tab等

import re
print(re.match('\s',' 23es 12testasdtest'))   #匹配空格
print(re.match('\s','   23es 12testasdtest')) #匹配tab
print(re.match('\s','\r23es 12testasdtest')) #匹配\r換行
print(re.match('\s','23es 12testasdtest')) #返回none

\S 匹配非空白

import re
print(re.match('\S',' 23es 12testasdtest'))   #返回none
print(re.match('\S','\r23es 12testasdtest'))   #none
print(re.match('\S','23es 12testasdtest'))

\w 匹配單詞、字符，如大小寫字母，數(shù)字，_ 下劃線

import re
print(re.match('\w','23es 12testasdtest'))   #返回none
print(re.match('\w\w\w','aA_3es 12testasdtest'))   #返回none
print(re.match('\w\w\w','\n12testasdtest'))   #返回none

\W 匹配非單詞字符

import re
print(re.match('\W','23es 12testasdtest'))   #返回none
print(re.match('\W',' 23es 12testasdtest'))   #匹配空格

[ ] 匹配[ ]中列舉的字符

只允許出現(xiàn)[ ]中列舉的字符

import re
print(re.match('12[234]','232s12testasdtest'))  #因為開頭的12沒匹配上，所以直接返回none
print(re.match('12[234]','1232s12testasdtest')) #返回123

[^2345] 不匹配2345中的任意一個

import re
print(re.match('12[^234]','232s12testasdtest'))  #因為開頭的12沒匹配上，所以直接返回none
print(re.match('12[^234]','1232s12testasdtest')) #返回none
print(re.match('12[^234]','1252s12testasdtest')) #返回125

[a-z3-5] 匹配a-z或者3-5中的字符

import re
print(re.match('12[1-3a-c]','1232b12testasdtest'))  #123
print(re.match('12[1-3a-c]','12b2b12testasdtest'))  #12b
print(re.match('12[1-3a-c]','12s2b12testasdtest'))  #返回none

表示數(shù)量

像上面寫的那些都是匹配單個字符，如果我們要匹配多個字符的話，只能重復(fù)寫匹配符。這樣顯然是不人性化的，所以我們還需要學(xué)習(xí)表達數(shù)量的字符

* 出現(xiàn)0次或無數(shù)次

import re
a = re.match('..','testasdtest')  
print(a.group())   #輸出te                             
a = re.match('.*','testasdtest')  
print(a.group())   #全部輸出

import re
print(re.match('a*','aatestasdtest')) #匹配跟隨在字母a后面的所有a字符
print(re.match('\d*','23aatestasdtest')) #匹配前面為數(shù)字的字符
print(re.match('a\d*','ad23aatestasdtest')) #輸出a, 因為*也可以代表0次

+ 至少出現(xiàn)一次

import re
print(re.match('a+','aaatestasdtest')) #匹配前面為字母a的字符，且a至少有1一個
print(re.match('a+','atestasdtest'))   #a
print(re.match('a+','caaatestasdtest'))  #none

? 1次或則0次

import re
print(re.match('a?','abatestasdtest')) #匹配a出現(xiàn)0次或者1次數(shù)
print(re.match('a?','batestasdtest'))  #輸出空，因為a可以為0次
print(re.match('a?','aaatestasdtest')) #a出現(xiàn)0次或者1次，輸出1個a

{m}指定出現(xiàn)m次

import re
print(re.match('to{3}','toooooabatestasdtest')) #匹配t以及跟隨在后面的三個ooo
print(re.match('to{3}','tooabatestasdtest')) #只有兩個0,返回none

{m,} 至少出現(xiàn)m次

import re
print(re.match('to{3}','toooooabatestasdtest')) #匹配t以及跟隨在后面的三個ooo
print(re.match('to{3}','tooabatestasdtest')) #只有兩個0,返回none

{m,n} 指定從m-n次的范圍

import re
print(re.match('to{3,4}','toooabatestasdtest')) #剛好有三個ooo，成功匹配
print(re.match('to{3,4}','tooabatestasdtest'))  #只有兩個o,返回none
print(re.match('to{3,4}','toooooabatestasdtest')) #提取最多四個o

匹配邊界

$ 匹配結(jié)尾字符

定義整個字符串必須以指定字符串結(jié)尾

import re
print(re.match('.*d$','2testaabcd')) #字符串必須以d結(jié)尾 
print(re.match('.*c','2testaabcd'))  #字符串不是以c結(jié)尾，返回none

^ 匹配開頭字符

定義整個字符串必須以指定字符開頭

import re
print(re.match('^2','2stoooabatestas')) #規(guī)定必須以2開頭，否則none 
print(re.match('^2s','2stoooabatestas')) #必須以2s開頭

\b 匹配一個單詞的邊界

\b：表示字母數(shù)字與非字母數(shù)字的邊界，非字母數(shù)字與字母數(shù)字的邊界。即下面ve的右邊不能有字母和數(shù)字

import re
print(re.match(r'.*ve\b','ve.2testaabcd'))  #因為在python中\(zhòng)代表轉(zhuǎn)義，所以前面加上r消除轉(zhuǎn)義
print(re.match(r'.*ve\b','ve2testaabcd'))

\B 匹配非單詞邊界

import re
print(re.match(r'.*ve\B','2testaavebcdve'))  #ve的右邊需要有字母或者數(shù)字 
print(re.match(r'.*ve\B','2testaave3bcdve'))

匹配分組

| 匹配左右任意一個表達式

只要|兩邊任意一個表達式符合要求就行

import re
print(re.match(r'\d[1-9]|\D[a-z]','2233'))  #匹配|兩邊任意一個表達式
print(re.match(r'\d[1-9]|\D[a-z]','as'))

(ab) 將括號中字符作為一個分組

()中的內(nèi)容會作為一個元組字符裝在元組中

import re
a = re.match(r'<h1>(.*)<h1>','<h1>你好啊<h1>')
print(a.group())    #輸出匹配的字符
print(a.groups())   #會將()中的內(nèi)容會作為一個元組字符裝在元組中
print('`````````````')
b = re.match(r'<h1>(.*)(<h1>)','<h1>你好啊<h1>')
print(b.groups()) #有兩括號就分為兩個元組元素
print(b.group(0))  #group中默認(rèn)是0
print(b.group(1))  #你好啊
print(b.group(2))  #h1

search

和match差不多用法，從字符串中進行搜索

import re
print(re.match(r'\d\d','123test123test'))
print(re.search(r'\d\d','123test123test'))

findall

從字面意思上就可以看到，findall是尋找所有能匹配到的字符，并以列表的方式返回

import re
print(re.match(r'\d\d','123test123test'))
print(re.search(r'\d\d','123test123test'))

re.s

findall中另外一個屬性re.S

在字符串a(chǎn)中，包含換行符\n，在這種情況下

如果不使用re.S參數(shù)，則只在每一行內(nèi)進行匹配，如果一行沒有，就換下一行重新開始。
而使用re.S參數(shù)以后，正則表達式會將這個字符串作為一個整體，在整體中進行匹配。

如下要尋找test.*123的數(shù)據(jù)，因為test和123在不同的行，如果沒加re.s的話，他會在每一個進行匹配查找而不是將字符串作為一個整體進行查找

import re
a = """aaatestaa     
aaaa123"""
print(re.findall(r'test.*123',a))       
print(re.findall(r'test.*123',a,re.S))

sub

查找字符串中所有相匹配的數(shù)據(jù)進行替換

sub(要替換的數(shù)據(jù)，替換成什么，要替換的數(shù)據(jù)所在的數(shù)據(jù))

import re
print(re.sub('php','python','php是世界上最好的語言——php'))  
#輸出 "python是世界上最好的語言——python"

split

對字符串進行分割，并返回一個列表

import re
s = "itcase,java:php-php3;html"
print(re.split(r",",s))           #以,號進行分割
print(re.split(r",|:|-|;",s))     #以,或者：或者-或者;進行分割
print(re.split(r",|:|-|%",s))    #找不到的分隔符就忽略

貪婪與非貪婪

python里的數(shù)量詞默認(rèn)是貪婪的，總是嘗試盡可能的匹配更多的字符。python中使用?號關(guān)閉貪婪模式

如

import re
print(re.match(r"aa\d+","aa2323"))   #會盡可能多的去匹配\d
print(re.match(r"aa\d+?","aa2323"))  #盡可能少的去匹配\d

import re
s = "this is a number 234-235-22-423"
# 1.貪婪模式
resule = re.match(r"(.+)(\d+-\d+-\d+-\d)",s)   #我們本想數(shù)字和字母拆解成兩個分組
print(resule.groups())  #('this is a number 23', '4-235-22-4')但我們發(fā)現(xiàn)輸出的結(jié)果中23的數(shù)字竟然被弄到前面去了
 
#因為+它會盡可能多的進行匹配，\d，只需要一個4就能滿足，所以前面就盡可能多的匹配
# 2.關(guān)閉貪婪模式
#在數(shù)量詞后面加上 ?，進入非貪婪模式，盡可能少的進行匹配
result = re.match(r"(.+?)(\d+-\d+-\d+-\d)",s)
print(result.groups())   #('this is a number ', '234-235-22-4')

案例

匹配手機號

要求，手機號為11位，必須以1開頭，且第二個數(shù)字為35678其種一個

import re
result = re.match(r'1[35678]\d{9}','13111111111')
print(result.group())   #匹配成功
result = re.match(r'1[35678]\d{9}','12111111111')
print(result)     #none，第二位為2
result = re.match(r'1[35678]\d{9}','121111111112')
print(result)     #none，有12位

提取網(wǎng)頁源碼中所有的文字

如下，將其中的所有文字提取出來，去掉標(biāo)簽。思路就是運用sub方法，將標(biāo)簽替換為空

s = """<div>
<p>崗位職責(zé):</p>
<p>完成推薦算法、數(shù)據(jù)統(tǒng)計、接口、后臺等服務(wù)器端相關(guān)工作</p>
<p><br></p>
<P>必備要求:</p>
<p>良好的自我驅(qū)動力和職業(yè)素養(yǎng)，工作積極主動、結(jié)果導(dǎo)向</p>
<p>&nbsp;<br></p>
<p>技術(shù)要求:</p>
<p>1、一年以上 Python開發(fā)經(jīng)驗，掌握面向?qū)ο蠓治龊驮O(shè)計，了解設(shè)計模式</p>
<p>2、掌握HTTP協(xié)議，熟悉NVC、MVVM等概念以及相關(guān)wEB開發(fā)框架</p>
<p>3、掌握關(guān)系數(shù)據(jù)庫開發(fā)設(shè)計，掌握SQL，熟練使用 MySQL/PostgresQL中的一種<br></p>
<p>4、掌握NoSQL、MQ，熟練使用對應(yīng)技術(shù)解決方案</p>
<p>5、熟悉 Javascript/cSS/HTML5，JQuery,React.Vue.js</p>
<p>&nbsp;<br></p>
<p>加分項:</p>
<p>大數(shù)據(jù)，數(shù)理統(tǒng)計，機器學(xué)習(xí)，sklearn，高性能，大并發(fā)。</p>
</div>"""

要提取出來最重要的就是關(guān)閉貪婪模式，

result = re.sub(r'<.*?>|&nbsp','',s)  #
print(result)

如果關(guān)閉貪婪模式，<xx>中的內(nèi)容會盡可能多的匹配，只要能夠滿足后面的>就行，然后<>xxx<>中xxx內(nèi)容也替換掉了

提取圖片地址

import re
s = """<img data-original="https://img02.sogoucdn.com/app/a/100520024/36189693dc8db6bd7c0be389f8aaddbd.jpg" src="https://img02.sogoucdn.com/app/a/100520024/36189693dc8db6bd7c0be389f8aaddbd.jpg" width="250" height="375" .jpg>"""
result1 = re.search(r"src=\"https.*.jpg\"",s)   
print(result1.group())
 
result2 = re.search(r"src=\"(https.*.jpg)\"",s) #我只是想將網(wǎng)址提取出來，所以httpxx加括號，這樣我就可以把它單獨提取出來，src則不會出來
print(result2.groups()[0])