正则表达式 和 re 模块
正则表达式究竟是什么?
在一些网站注册的时候需要输入手机号码,当你输入一个错误的手机号码的时候,会提示你输入的手机号码格式错误
那么他究竟是如何判断的呢?
我们用Python代码进行表示:
phone_number = input('please input your phone number : ')
现在关键问题是如何判断我们输入的号码是否合法,
最后根据手机号码一共11位并且是只以13、14、15、17、18开头的数字这些特点,又用python写了如下代码:
while True:
phone_number = input('please input your phone number : ')
if len(phone_number) == 11 \
and phone_number.isdigit()\
and (phone_number.startswith('') \
or phone_number.startswith('') \
or phone_number.startswith('') \
or phone_number.startswith('') \
or phone_number.startswith('')):
print('是合法的手机号码')
else:
print('不是合法的手机号码')
那么有不有简单的判断方法呢?答案是肯定的,以下方法就是使用re模块的正则表达式来匹配手机的合法性的方法
import re
phone_number = input('please input your phone number : ')
if re.match('^(13|14|15|17|18)[0-9]{9}$',phone_number):
print('是合法的手机号码')
else:
print('不是合法的手机号码')
正则表达式究竟是什么?首先谈到正则,就只和字符串相关了。
正则表达式本身和Python没有什么关系,其本身就是匹配字符串内容的一种规则。
官方定义: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。
一些正则表达式的实用工具:在线测试工具 http://tool.chinaz.com/regex/
正则表达式
字符组:
在同一个位置可能出现的各种字符组成了一个字符组,在正则表达式中用 [] 表示
字符分为很多类,比如数字、字母、标点等等
例如现在要求一个位置只能出现一个数字,那么这个位置上的字符只能是0、1、2~9这10个数之一。
正则 |
待匹配字符 |
匹配 |
说明 |
[0123456789] |
8 |
True |
在一个字符组里枚举合法的所有字符,字符组里的任意一个字符 |
[0123456789] |
a |
False |
由于字符组中没有"a"字符,所以不能匹配 |
[0-9] |
7 |
True |
也可以用-表示范围,[0-9]就和[0123456789]是一个意思 |
[a-z] |
s |
True |
同样的如果要匹配所有的小写字母,直接用[a-z]就可以表示 |
[A-Z] |
B |
True |
[A-Z]就表示所有的大写字母 |
[0-9a-fA-F] |
e |
True |
可以匹配数字,大小写形式的a~f,用来验证十六进制字符 |
字符:
元字符 |
匹配内容 |
. | 匹配除换行符以外的任意字符 |
\w | 匹配字母或数字或下划线 |
\d |
匹配数字 |
\s | 匹配任意的空白符 |
\n | 匹配一个换行符 |
\t | 匹配一个制表符 |
\b | 匹配一个单词的结尾 |
^ | 匹配字符串的开始 |
$ | 匹配字符串的结尾 |
\W |
匹配非字母或数字或下划线 |
\D |
匹配非数字 |
\S |
匹配非空白符 |
a|b |
匹配字符a或字符b |
() |
匹配括号内的表达式,也表示一个组 |
[...] |
匹配字符组中的字符 |
[^...] |
非。匹配除了字符组中字符的所有字符 |
量词:
量词 |
用法说明 |
* | 贪婪匹配:重复零次或更多次 |
+ | 重复一次或更多次 |
? | 重复零次或一次 |
{n} | 重复n次 |
{n,} | 重复n次或更多次 |
{n,m} | 重复n到m次 |
re 模块下的常用方法
findall
查找所有
*当要从一个字符串中找到所有想要的结果时,使用 findall
import re ret = re.findall('e', 'evenroot') # 返回所有满足匹配条件的结果,放在列表里
print(ret) #结果 : ['e', 'e']
import re ret = re.findall('[a-z]+', 'even root yuan')
# 返回所有满足匹配条件的结果,放在列表里
print(ret) #结果['even', 'root', 'yuan']
search
找第一个
*当只需要从一个字符串中找到一个结果的时候,使用 search
import re ret = re.search('x','eeevvadfae fsdf zzzzc c')
print(ret)
print(ret.group())
#从前往后,找到一个就返回,返回的变量需要调用group才能拿到结果
#如果没有找到,那么返回None,调用group会报错
None
Traceback (most recent call last):
File "D:/Python Road/re模块.py", line 31, in <module>
print(ret.group())
AttributeError: 'NoneType' object has no attribute 'group'
显示结果
因为 search 没有找到字符,就会返回 None。所以常用的方式,我们写成这样,防止找不到的时候的输入报错
import re ret = re.search('x','eeevvadfae fsdf zzzzc c')
if ret:
print(ret.group()) #显示结果:
match
从头开始找一个
*当必须要求从最开头就能够匹配上的,使用 match
import re ret = re.match('a', 'abc').group() # 同search,不过尽在字符串开始处进行匹配
print(ret)
#结果 : a # match是从头开始匹配,如果正则规则从头开始可以匹配上,就返回一个变量。
# 匹配的内容需要用group才能显示
# 如果没匹配上,就返回None,调用group会报错
同样的,因为 match 没有找到字符,就会返回 None。所以常用的方式,我们写成这样,防止找不到的时候的输入报错
import re ret = re.match('v','eeevvadfae fsdf zzzzc c')
if ret:
print(ret.group())
split
分割
*当需要分割一个字符串的时候,使用 split
import re
ret = re.split('[ab]','abcd')
print(ret)
#先按'a'分割得到''和'bcd',在对''和'bcd'分别按'b'分割
sub
替换
*当需要替换一个字符串的时候,使用 sub
import re
ret = re.sub('\d','H','even3root4time5',1) #将数字替换成'H',参数1表示只替换一个
print(ret) #显示结果:evenHroot4time5
subn
替换,次数,并返回元组
import re
ret = re.subn('\d','H','even3root4time5') #将数字替换成'H',返回元组(替换的结果,替换了多少次)
print(ret) #显示结果:('evenHrootHtimeH', 3)
compile
编译
*当一条正则规则需要反复使用,且该正则规则长度很长的时候使用 compile
import re obj = re.compile('\d{3}')
#将正则表达式编译成为一个正则表达式对象,规则是匹配三个数字 ret = obj.search('abc123root') #正则表达式调用search
print(ret.group())
ret = obj.search('456abc123')
print(ret.group()) #显示结果:
#
#456
finditer
迭代
*节省内存,当需要找的东西特别多,又无法全部放进内存的时候,使用 finditer
import re ret = re.finditer('\d','ds3sy7895a') #finditer返回一个存放匹配结果的迭代器,返回的变量需要调用group才能拿到结果
print(ret)
print(next(ret).group()) #查看第一个结果
print(next(ret).group()) #查看第二个结果
print([i.group()for i in ret]) #查看剩余的结果
group 分组 和 分组优先机制
正则分组:去已经提取到的数据中再提取数据
group 是 Python 的 group 机制
分组就是把正则式已经匹配到的结果,再去做一次匹配
在 search 中的示例:
import re ret = re.search('^[1-9](\d{14})(\d{2}[0-9xX])?$','50010119990111000X')
print(ret.group())
print(ret.group(1))
print(ret.group(2)) #显示结果:
#50010119990111000X
#
#00X
search钟的group分组机制示例
在 findall 当中的取消分组优先机制,?:
import re ret = re.findall('www.(baidu|even).com','www.even.com') #因为findall会优先把匹配结果组里的内容返回,如果想要匹配结果,就要进行取消分组优先
print(ret) ret = re.findall('www.(?:baidu|even).com','www.even.com') #取消分组优先之后
print(ret) #显示结果:
#['even']
#['www.even.com']
finadall中的取消分组优先机制?:
在 split 中的示例:
import re ret = re.split("\d+",'even3root4hello')
print(ret) ret = re.split("(\d+)",'even3root4hello') #在匹配部分加上()之后切割出的结果是不一样的
print(ret) #即没有()的不保留所匹配的项,有()的能够保留匹配的项
#因为某些情况下需要保留匹配项 #显示结果:
#['even', 'root', 'hello']
#['even', '3', 'root', '4', 'hello']
split中的分组示例
group() groups() 和 groupdict()
group() #获取匹配到的所有结果
groups() #获取模型中匹配到的分组结果
groupdict() #获取模型中匹配到的分组结果(自定义key名称)
import re
origin = "has abcedroot2003"
r = re.match("h\w+",origin) print(r.group())
print(r.groups())
print(r.groupdict()) #输出结果
#has
#()
#{}
import re
origin = "has abcedroot2003"
r = re.match("h(\w+)",origin) print(r.group())
print(r.groups())
print(r.groupdict()) #输出结果
#has
#('as',)
#{}
import re
origin = "has abcedroot2003"
r = re.match("h(?P<name>\w+)",origin) #自定义key名称,匹配得到字典 print(r.group())
print(r.groups())
print(r.groupdict()) #输出结果
#has
#('as',)
#{'name': 'as'}
爬虫示例
import re
import json
from urllib.request import urlopen def getPage(url):
response = urlopen(url)
return response.read().decode('utf-8') def parsePage(s):
com = re.compile(
'<div class="item">.*?<div class="pic">.*?<em .*?>(?P<id>\d+).*?<span class="title">(?P<title>.*?)</span>'
'.*?<span class="rating_num" .*?>(?P<rating_num>.*?)</span>.*?<span>(?P<comment_num>.*?)评价</span>', re.S) ret = com.finditer(s)
for i in ret:
yield {
"id": i.group("id"),
"title": i.group("title"),
"rating_num": i.group("rating_num"),
"comment_num": i.group("comment_num"),
} def main(num):
url = 'https://movie.douban.com/top250?start=%s&filter=' % num
response_html = getPage(url)
ret = parsePage(response_html)
print(ret)
f = open("move_info7", "a", encoding="utf8") for obj in ret:
print(obj)
data = str(obj)
f.write(data + "\n") count = 0
for i in range(10):
main(count)
count += 25
利用正则原理的爬虫示例
最新文章
- C#移动跨平台开发(2)Xamarin移动跨平台解决方案是如何工作的?
- MVC+Easeyui dialog的小问题
- 11.21 if条件语句 年月日执行判断
- shell 判断条件
- Java基础——集合框架
- 几种java通信(rmi,http,hessian,webservice)协议性能比较
- C# using垃圾回收详解
- Java Date Classes
- 基于scrapy爬虫的天气数据采集(python)
- obj-c在Xcode之外如何使用@import关键字
- Valgrind简介
- poj2362
- 实战一个职业技术学校。 by:hack某某
- DDD领域模型数据访问权限之权限(十二)
- ReactNative小笔记
- python之类中如何判断是函数还是方法
- 三个解释——MVC的网址
- 【JVM参数】Java启动时,显示class是从哪个Jar中加载的
- SourceTree跳过Atlassian账号,免登陆,跳过初始设置
- Sublime Text2中的快捷键一览表(Sublime 键盘快捷键大全 )