快捷導(dǎo)航

Python 正則表達(dá)式入門（中級(jí)篇）

更新時(shí)間：2016年12月07日 15:42:20 作者：唯心不易

本文主要介紹子表達(dá)式，向前向后查找，回溯引用，有需要的朋友可以看下，希望對(duì)大家有所幫助

初級(jí)篇鏈接：http://chabaoo.cn/article/99372.htm

上一篇我們說在這一篇里，我們會(huì)介紹子表達(dá)式，向前向后查找，回溯引用。到這一篇開始前除了回溯引用在一些場(chǎng)合不可替代以外，大部分情況下的正則表達(dá)式你應(yīng)該都會(huì)寫了。

1.子表達(dá)式

子表達(dá)式的概念特別好理解。其實(shí)它就是將幾個(gè)字符的組合形式看做一個(gè)大的“字符”。不好理解？舉個(gè)栗子：我們要匹配類似IP地址這種形式的字符（暫且不考慮數(shù)值范圍的合理性，這個(gè)留作學(xué)完之后的思考題吧）。形如192.168.1.1這樣的地址我們?cè)趺磳懕磉_(dá)式呢？

答案一 \d+.?\d+.?\d+.?\d+

不好，一個(gè)是太繁瑣，另一個(gè)是連位數(shù)都控制不了

答案二 \d+{1,3}.?\d+{1,3}.?\d+{1,3}.?\d+{1,3}

一般般，復(fù)雜但是起碼能把位數(shù)控制在合理范圍

答案三 (\d+{1,3}\.){3}\d+{1,3}\.

利用子表達(dá)式，將123.這種數(shù)字加小數(shù)點(diǎn)看做一個(gè)整體字符，對(duì)其規(guī)定重復(fù)匹配的次數(shù)，既簡(jiǎn)潔，效果又好。所以只要你將幾個(gè)字符組合用圓括號(hào)括起來(lái)，那么你就可以把一個(gè)圓括號(hào)內(nèi)的內(nèi)容當(dāng)做一個(gè)字符，外面可以加我們之前講過的所有元字符來(lái)控制匹配。

2.向前向后查找

現(xiàn)在，我們終于來(lái)到了向前向后查找這一塊。為什么說終于來(lái)到這了呢？還記得我們?cè)诔跫?jí)篇最開始的例子嗎？

假如你在寫一個(gè)爬蟲，你得到了一個(gè)網(wǎng)頁(yè)的HTML源碼。其中有一段html

<html><body><h1>hello world</h1></body></html>

你想要把這個(gè)hello world提取出來(lái)

import re
key = r"<html><body><h1>hello world</h1></body></html>"#這段是你要匹配的文本
p1 = r"(?<=<h1>).+?(?=</h1>)"#這是我們寫的正則表達(dá)式規(guī)則，你現(xiàn)在可以不理解啥意思
pattern1 = re.compile(p1)#我們?cè)诰幾g這段正則表達(dá)式
matcher1 = re.search(pattern1,key)#在源文本中搜索符合正則表達(dá)式的部分
print matcher1.group(0)#打印出來(lái)

這個(gè)正則表達(dá)式

p1 = r"(?<=<h1>).+?(?=<h1>)"

看到(?<=<h1>) 和 (?=<h1>)了嗎？第一個(gè)?<=表示在被匹配字符前必須得有<h1>，后面的?=表示被匹配字符后必須有<h1>

簡(jiǎn)單來(lái)說，就是你要匹配的字符是XX，但必須滿足形式是AXXB這樣的字符串，那么你就可以這樣寫正則表達(dá)式

p = r"(?<=A)XX(?=B)"

匹配到的字符串就是XX。并且，向前查找向后查找不需要必須同時(shí)出現(xiàn)。如果你愿意，可以只寫滿足一個(gè)條件。

所以你也不需要記住哪個(gè)是向前查找，哪個(gè)是向后查找。只要記住?<=后面跟著的是前綴要求，?=后面跟的是后綴要求。

本質(zhì)上來(lái)說，向前查找和向后查找其實(shí)是匹配整個(gè)字符串，即AXXB，但返回時(shí)僅僅返回一個(gè)XX。也就是說，如果你愿意，完全可以避開向前向后查找的方式，直接匹配帶有前后綴的字符串，然后做字符串切片處理。

3.回溯引用

不同于前面的向前向后查找，這一條有時(shí)候你未必繞的過去。在有些情況下，你還必須得用到回溯引用，所以你如果想擁有在實(shí)際應(yīng)用中使用正則表達(dá)式，回溯引用是你應(yīng)該了解和掌握的。

我們還是從最開始的例子來(lái)說。

你原本要匹配<h1></h1>之間的內(nèi)容，現(xiàn)在你知道HTML有多級(jí)標(biāo)題，你想把每一級(jí)的標(biāo)題內(nèi)容都提取出來(lái)。你也許會(huì)這樣寫：

p = r"<h[1-6]>.*?</h[1-6]>"

這樣一來(lái)，你就可以將HTML頁(yè)面內(nèi)所有的標(biāo)題內(nèi)容全部匹配出來(lái)。即<h1></h1>到<h6></h6>的內(nèi)容都可以被提取出來(lái)。但是我們之前說過，寫正則表達(dá)式困難的不是匹配到想要的內(nèi)容，而是盡可能的不匹配到不想要的內(nèi)容。在這個(gè)例子中，很有可能你就會(huì)被下面這樣的用例玩壞。

比方說

<h1>hello world</h3>

發(fā)現(xiàn)后面的</h3>了嗎？我們不管是怎么寫出來(lái)這樣的標(biāo)題的，但實(shí)實(shí)在在的是我們的正則表達(dá)式同樣會(huì)把這里面的hello world匹配出來(lái)。這時(shí)候就是回溯引用的重要作用。下面就是一個(gè)示例：

import re
key = r"<h1>hello world</h3>"
p1 = r"<h([1-6])>.*?</h\1>"
pattern1 = re.compile(p1)
m1 = re.search(pattern1,key)
print m1.group(0)#這里是會(huì)報(bào)錯(cuò)的，因?yàn)槠ヅ洳坏剑闳绻麑⒃醋址某?lt;/h1>

結(jié)尾就能看出效果

看到\1了嗎？原本那個(gè)位置應(yīng)該是[1-6]，但是我們寫的是\1，我們之前說過，轉(zhuǎn)義符\干的活就是把特殊的字符轉(zhuǎn)成一般的字符，把一般的字符轉(zhuǎn)成特殊字符。普普通通的數(shù)字1被轉(zhuǎn)移成什么了呢？在這里1表示第一個(gè)子表達(dá)式，也就是說，它是動(dòng)態(tài)的，是隨著前面第一個(gè)子表達(dá)式的匹配到的東西而變化的。比方說前面的子表達(dá)式內(nèi)是[1-6]，在實(shí)際字符串中找到了1，那么后面的\1就是1，如果前面的子表達(dá)式在實(shí)際字符串中找到了2，那么后面的\1就是2。

類似的，\2,\3,....就代表第二個(gè)第三個(gè)子表達(dá)式。

所以回溯引用是正則表達(dá)式內(nèi)的一個(gè)“動(dòng)態(tài)”的正則表達(dá)式，讓你根據(jù)實(shí)際的情況變化進(jìn)行匹配。

中級(jí)篇就到這里，其實(shí)正則表達(dá)式還有很多細(xì)節(jié)還沒有寫出來(lái)，也有很多元字符我沒有交代，但掌握了綱要，懂得原理之后剩下的就類似于查表構(gòu)造這種活了。

建議看到這的朋友看看《正則表達(dá)式必知必會(huì)》，初級(jí)篇和這篇中有幾個(gè)例子也是取材于此。

以上就是本文的全部?jī)?nèi)容，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來(lái)一定的幫助，如果有疑問大家可以留言交流，同時(shí)也希望多多支持腳本之家！

您可能感興趣的文章: