python 简单入门教程(四)正则表达式


正则表达式

 

用正则表达式要引入re模块  import re

 

元字符  

 

. ^  $  *  +  ?  {}  []  \  |  () 

 

[ ]


常用来指定一个字符集:[abc] ; [a-z];[a-zA-Z0-9]
取不在区间范围的字符:[^abc]

 

import re
s = r't[oi]p'

print re.findall(s,'top tip tjp')

输出: ['top', 'tip']

 

import re
s = r't[^oi]p'

print re.findall(s,'top tip tjp')

输出:['tjp']

 

 

^

表示从行首开头的一个,元字符内^不起作用,如[ ]中^表示不是这些字符

 

import re
s = r'^hello'

print re.findall(s,'hello  aa hello')

输出['hello']

 

 

import re
s = r'^hello'

print re.findall(s,'aa hello')

输出[]

 

 

$

表示行尾

import re
s = r'hello$'

print re.findall(s,'aa hello')

输出:['hello']

 

\ 斜杠

 

斜杠后面可以加不同的字符表示不同的特殊意义
也可以用于取消所有的元字符:\[ 或 \\

\d 匹配任何十进制数:它相当于[0-9]
\D 匹配任何非数字字符:它相当于[^0-9]
\s 匹配任何空白字符:它相当于[\t\n\r\f\v]
\S 匹配任何非空白字符:它相当于[^\t\n\r\f\v]
\w 匹配任何字母数字字符:它相当于[a-zA-Z0-9_]
\W 匹配任何非字母数字字符:它相当于[^a-zA-Z0-9_]

 

重复

 

a{n} 将前面的a重复n次
a{m,n} a最少重复m次最多重复n次
m不写为0 ,n不写相当于*
{0,}等同于*
{1,}等同于 +
{0,1}等同于?
例如:取电话号码

import re
s = r'^0571-\d{1,8}'#把\d 重复8次

print re.findall(s,'0571-67777777')

 

*将前面的字符匹配0次到多次

import re
s = r'^0571-2*'

print re.findall(s,'0571-22222222')

 

输出['0571-22222222']

+将前面的字符重复1次到多次

?将前面的字符重复0次到多次

贪婪模式跟非贪婪模式
import re

r=r'ab+'

print re.findall(r,'abbbbbbbbbb')

输出:['abbbbbbbbbb']

贪婪模式匹配最多的

 

import re

r=r'ab+?'

print re.findall(r,'abbbbbbbbbb')

输出:['ab']
非贪婪模式匹配最少的,就是在后面加?

 

正则常用函数

 

re.compile() 编译正则,加快速度
compile(pattern, flags=0)

import re
r=r'\d{3,4}-?\d{8}'

p_tel = re.compile(r)

print re.findall(p_tel,'0571-67777777')
print  p_tel.findall('0571-61111111')

 

flags可以给编译加些属性,如不区分大小写

 

import re
r=r'abcde'

p = re.compile(r,re.I)

print  p.findall('aBCdE')

会输出:['aBCdE']

 

math() 决定re是否在字符串开始位置匹配 返回match对象
match对象中的方法:
        group() 返回re匹配的字符串
        start() 返回匹配开始的位置
        end() 返回匹配结束的位置
        span() 返回一个元组包含匹配开始,结束的位置
search() 扫描字符串,找到re匹配的位置,返回match对象
findall() 找到re匹配的所有字串,并把它们作为一个列表返回
finditer() 找到re匹配的所有字串,并把它们作为一个迭代器返回
sub() subn()替换

 

import re
r=r'a...e'

print  re.sub(r,'12345','abcde')

输出:12345

 

split() 切割

import re
s='123+456-789'

print  re.split(r'[\+\-]',s)

输出:['123', '456', '789']

 

分组

 

(a|b)

import re
email = r'\w+@\w+(\.com|\.cn)'

print  re.search(email,'billvsme@163.com').group()

输出:billvsme@163.com

 

import re
email = r'\w+@\w+(\.com|\.cn)'

print  re.findall(email,'billvsme@163.com')

这样只会输出分组内地内容 :['.com'] ,在爬虫中这样很有用