正则表达式

正则表达式通常被用来检索、替换那些匹配某个模式的文本。
正则表达式困难的不是匹配到想要的内容，而是尽可能的不匹配到不想要的内容

概念：正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。
特点：

  1. 灵活性、逻辑性和功能性非常的强；
  2. 可以迅速地用极简单的方式达到字符串的复杂控制。

首先要明白以下几个函数的意思：

  1. re.compile(pattern,flag)根据正则匹配字符串以及附加条件，返回一个pattern对象
  2. re.search(pattern,string)搜索整个字符串，知道发现符合正则表达式的字符串
  3. re.match(pattern,string)从头开始检测字符串是否符合正则表达式，必须从字符串的第一个字符开始
  4. re.findall(pattern,string)根据正则表达式分割字符串，将找到的所有结果放到list中返回
查找字符串：
1
2
3
4
5
6
7
import re
key = r"saas and sas and saaas"
p1 = r"sa{1,3}s"
pattern1 = re.compile(p1)
print(pattern1.findall(key))

p1 = r"sa{1,3}s"表达的意思是a最少重复一次，最多重复三次。

查找邮件地址：
1
2
3
4
5
6
7
8
9
import re
key = r"ben@forta.com " \
      r"ben.forta@forta.com " \
      r"ben@urgent.forta.com"
p1 = r"\w+[\w.]*@[\w.]+\w+"
pattern1 = re.compile(p1)
print(pattern1.findall(key))
文本匹配：（‘+’和‘*’的贪婪型，‘?’变惰型）
1
2
3
4
5
6
7
import re
key = r"T living in <B>AK</B> and hahaj and <b>HI</b>"
p1 = r"<[Bb]>.+</[Bb]>"
pattern1 = re.compile(p1)
print(pattern1.findall(key))

上面的运行结果是：['<B>AK</B> and hahaj and <b>HI</b>']
为什么呢？因为+是贪婪型的，它会尽可能匹配到更多的字符。
那么解决这一问题就需要在+后面添加一个字符?将贪婪型变为惰型
即为：p1 = r"<[Bb]>.+</[Bb]>"这样就可以获得想要的结果了。

向前向后查找：

假如得到一个网页的HTML源码，其中有一段<html><body><h1>hello world<h1></body></html>想要把hello word提取出来，可这样写：

1
2
3
4
5
6
7
8
import re
key=r"<html><body><h1>hello world<h1></body></html>"#要匹配的文本
p1=r"(?<=<h1>).+?(?=<h1>)"#正则表达式
pattern1=re.compile(p1)#编译这段正则表达式
matcher1=re.search(pattern1,key)#在源文本中搜索符合正则表达式的部分
print(matcher1.group(0))#输出

p1 = r"(?<=<h1>).+?(?=<h1>)"看到(?<=<h1>)和 (?=<h1>)了吗？第一个?<=表示在被匹配字符前必须得有<h1>，后面的?=表示被匹配字符后必须有<h1>。简单来说，就是你要匹配的字符是XX，但必须满足形式是AXXB这样的字符串，那么你就可以这样写正则表达式
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须同时出现。如果你愿意，可以只写满足一个条件。
所以你也不需要记住哪个是向前查找，哪个是向后查找。只要记住?<=后面跟着的是前缀要求，?=后面跟的是后缀要求。

回溯引用：
1
2
3
4
5
6
7
8
9
import re
key = r"<H1>welcome</H1>" \
      r"and <H2>happy</H3>" \
      r"and <H3>wireless</H3>"
p1 = r"<[Hh][1-6]>.*?</[Hh][1-6]>"
pattern1 = re.compile(p1)
print(pattern1.findall(key))

原本要匹配<h1></h1>之间的内容，现在知道HTML有多级标题，想把每一级的标题内容都提取出来:
p1 = r"<[Hh][1-6]>.*?</[Hh][1-6]>"
这样一来，你就可以将HTML页面内所有的标题内容全部匹配出来。
但是，同时也把不符合标题的格式也匹配出来了，例如：
<H2>happy</H3>
如若把后面的[1-6]改为\1或者1,2,3...则能筛选出需要的标题

查找IP地址：
1
2
3
4
5
6
7
import re
key = r"127.0.0.1 and"
p1 = r"(((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))\.){3}" \
     r"((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))"
pattern1 = re.compile(p1)
print(re.search(p1,key))

以上都是较常用的例子，看完《正则表达式必知必会》写了以上的内容，很多内容都没有写，以后继续补充。

本文标题:正则表达式

文章作者:sweet

发布时间:2017-07-21, 13:55:58

最后更新:2017-10-21, 18:59:18

原始链接:http://yoursite.com/2017/07/21/正则表达式/

许可协议: "署名-非商用-相同方式共享 4.0" 转载请保留原文链接及作者。

文章目录
  1. 1. 查找字符串：
  2. 2. 查找邮件地址：
  3. 3. 文本匹配：（‘+’和‘*’的贪婪型，‘?’变惰型）
  4. 4. 向前向后查找：
  5. 5. 回溯引用：
  6. 6. 查找IP地址：