Python学习教程(Python学习路线):第12天—正则表达式
Python學(xué)習(xí)教程(Python學(xué)習(xí)路線):正則表達(dá)式相關(guān)知識(shí)
在編寫處理字符串的程序或網(wǎng)頁(yè)時(shí),經(jīng)常會(huì)有查找符合某些復(fù)雜規(guī)則的字符串的需要,正則表達(dá)式就是用于描述這些規(guī)則的工具,換句話說(shuō)正則表達(dá)式是一種工具,它定義了字符串的匹配模式(如何檢查一個(gè)字符串是否有跟某種模式匹配的部分或者從一個(gè)字符串中將與模式匹配的部分提取出來(lái)或者替換掉)。如果你在Windows操作系統(tǒng)中使用過(guò)文件查找并且在指定文件名時(shí)使用過(guò)通配符(*和?),那么正則表達(dá)式也是與之類似的用來(lái)進(jìn)行文本匹配的工具,只不過(guò)比起通配符正則表達(dá)式更強(qiáng)大,它能更精確地描述你的需求(當(dāng)然你付出的代價(jià)是書寫一個(gè)正則表達(dá)式比打出一個(gè)通配符要復(fù)雜得多,要知道任何給你帶來(lái)好處的東西都是有代價(jià)的,就如同學(xué)習(xí)一門編程語(yǔ)言一樣),比如你可以編寫一個(gè)正則表達(dá)式,用來(lái)查找所有以0開(kāi)頭,后面跟著2-3個(gè)數(shù)字,然后是一個(gè)連字號(hào)“-”,最后是7或8位數(shù)字的字符串(像028-12345678或0813-7654321),這不就是國(guó)內(nèi)的座機(jī)號(hào)碼嗎。最初計(jì)算機(jī)是為了做數(shù)學(xué)運(yùn)算而誕生的,處理的信息基本上都是數(shù)值,而今天我們?cè)谌粘9ぷ髦刑幚淼男畔⒒旧隙际俏谋緮?shù)據(jù),我們希望計(jì)算機(jī)能夠識(shí)別和處理符合某些模式的文本,正則表達(dá)式就顯得非常重要了。今天幾乎所有的編程語(yǔ)言都提供了對(duì)正則表達(dá)式操作的支持,Python通過(guò)標(biāo)準(zhǔn)庫(kù)中的re模塊來(lái)支持正則表達(dá)式操作。
我們可以考慮下面一個(gè)問(wèn)題:我們從某個(gè)地方(可能是一個(gè)文本文件,也可能是網(wǎng)絡(luò)上的一則新聞)獲得了一個(gè)字符串,希望在字符串中找出手機(jī)號(hào)和座機(jī)號(hào)。當(dāng)然我們可以設(shè)定手機(jī)號(hào)是11位的數(shù)字(注意并不是隨機(jī)的11位數(shù)字,因?yàn)槟銢](méi)有見(jiàn)過(guò)“25012345678”這樣的手機(jī)號(hào)吧)而座機(jī)號(hào)跟上一段中描述的模式相同,如果不使用正則表達(dá)式要完成這個(gè)任務(wù)就會(huì)很麻煩。
關(guān)于正則表達(dá)式的相關(guān)知識(shí),大家可以閱讀一篇非常有名的博客叫《正則表達(dá)式30分鐘入門教程》,讀完這篇文章后你就可以看懂下面的表格,這是我們對(duì)正則表達(dá)式中的一些基本符號(hào)進(jìn)行的扼要總結(jié)。
| . | 匹配任意字符 | b.t | 可以匹配bat / but / b#t / b1t等 |
| \w | 匹配字母/數(shù)字/下劃線 | b\wt | 可以匹配bat / b1t / b_t等 但不能匹配b#t |
| \s | 匹配空白字符(包括\r、\n、\t等) | love\syou | 可以匹配love you |
| \d | 匹配數(shù)字 | \d\d | 可以匹配01 / 23 / 99等 |
| \b | 匹配單詞的邊界 | \bThe\b | |
| ^ | 匹配字符串的開(kāi)始 | ^The | 可以匹配The開(kāi)頭的字符串 |
| $ | 匹配字符串的結(jié)束 | .exe$ | 可以匹配.exe結(jié)尾的字符串 |
| \W | 匹配非字母/數(shù)字/下劃線 | b\Wt | 可以匹配b#t / b@t等 但不能匹配but / b1t / b_t等 |
| \S | 匹配非空白字符 | love\Syou | 可以匹配love#you等 但不能匹配love you |
| \D | 匹配非數(shù)字 | \d\D | 可以匹配9a / 3# / 0F等 |
| \B | 匹配非單詞邊界 | \Bio\B | |
| [] | 匹配來(lái)自字符集的任意單一字符 | [aeiou] | 可以匹配任一元音字母字符 |
| [^] | 匹配不在字符集中的任意單一字符 | [^aeiou] | 可以匹配任一非元音字母字符 |
| * | 匹配0次或多次 | \w* | |
| + | 匹配1次或多次 | \w+ | |
| ? | 匹配0次或1次 | \w? | |
| {N} | 匹配N次 | \w{3} | |
| {M,} | 匹配至少M(fèi)次 | \w{3,} | |
| {M,N} | 匹配至少M(fèi)次至多N次 | \w{3,6} | |
| | | 分支 | foo|bar | 可以匹配foo或者bar |
| (?#) | 注釋 | ||
| (exp) | 匹配exp并捕獲到自動(dòng)命名的組中 | ||
| (? <name>exp) | 匹配exp并捕獲到名為name的組中 | ||
| (?:exp) | 匹配exp但是不捕獲匹配的文本 | ||
| (?=exp) | 匹配exp前面的位置 | \b\w+(?=ing) | 可以匹配I'm dancing中的danc |
| (?<=exp) | 匹配exp后面的位置 | (?<=\bdanc)\w+\b | 可以匹配I love dancing and reading中的第一個(gè)ing |
| (?!exp) | 匹配后面不是exp的位置 | ||
| (?<!exp) | 匹配前面不是exp的位置 | ||
| *? | 重復(fù)任意次,但盡可能少重復(fù) | a.*b a.*?b | 將正則表達(dá)式應(yīng)用于aabab,前者會(huì)匹配整個(gè)字符串a(chǎn)abab,后者會(huì)匹配aab和ab兩個(gè)字符串 |
| +? | 重復(fù)1次或多次,但盡可能少重復(fù) | ||
| ?? | 重復(fù)0次或1次,但盡可能少重復(fù) | ||
| {M,N}? | 重復(fù)M到N次,但盡可能少重復(fù) | ||
| {M,}? | 重復(fù)M次以上,但盡可能少重復(fù) |
說(shuō)明: 如果需要匹配的字符是正則表達(dá)式中的特殊字符,那么可以使用\進(jìn)行轉(zhuǎn)義處理,例如想匹配小數(shù)點(diǎn)可以寫成\.就可以了,因?yàn)橹苯訉?會(huì)匹配任意字符;同理,想匹配圓括號(hào)必須寫成\(和\),否則圓括號(hào)被視為正則表達(dá)式中的分組。
Python對(duì)正則表達(dá)式的支持
Python提供了re模塊來(lái)支持正則表達(dá)式相關(guān)操作,下面是re模塊中的核心函數(shù)。
| compile(pattern, flags=0) | 編譯正則表達(dá)式返回正則表達(dá)式對(duì)象 |
| match(pattern, string, flags=0) | 用正則表達(dá)式匹配字符串 成功返回匹配對(duì)象 否則返回None |
| search(pattern, string, flags=0) | 搜索字符串中第一次出現(xiàn)正則表達(dá)式的模式 成功返回匹配對(duì)象 否則返回None |
| split(pattern, string, maxsplit=0, flags=0) | 用正則表達(dá)式指定的模式分隔符拆分字符串 返回列表 |
| sub(pattern, repl, string, count=0, flags=0) | 用指定的字符串替換原字符串中與正則表達(dá)式匹配的模式 可以用count指定替換的次數(shù) |
| fullmatch(pattern, string, flags=0) | match函數(shù)的完全匹配(從字符串開(kāi)頭到結(jié)尾)版本 |
| findall(pattern, string, flags=0) | 查找字符串所有與正則表達(dá)式匹配的模式 返回字符串的列表 |
| finditer(pattern, string, flags=0) | 查找字符串所有與正則表達(dá)式匹配的模式 返回一個(gè)迭代器 |
| purge() | 清除隱式編譯的正則表達(dá)式的緩存 |
| re.I / re.IGNORECASE | 忽略大小寫匹配標(biāo)記 |
| re.M / re.MULTILINE | 多行匹配標(biāo)記 |
說(shuō)明: 上面提到的re模塊中的這些函數(shù),實(shí)際開(kāi)發(fā)中也可以用正則表達(dá)式對(duì)象的方法替代對(duì)這些函數(shù)的使用,如果一個(gè)正則表達(dá)式需要重復(fù)的使用,那么先通過(guò)compile函數(shù)編譯正則表達(dá)式并創(chuàng)建出正則表達(dá)式對(duì)象無(wú)疑是更為明智的選擇。
下面我們通過(guò)一系列的例子來(lái)告訴大家在Python中如何使用正則表達(dá)式。
例子1:驗(yàn)證輸入用戶名和QQ號(hào)是否有效并給出對(duì)應(yīng)的提示信息。
""" 驗(yàn)證輸入用戶名和QQ號(hào)是否有效并給出對(duì)應(yīng)的提示信息要求:用戶名必須由字母、數(shù)字或下劃線構(gòu)成且長(zhǎng)度在6~20個(gè)字符之間,QQ號(hào)是5~12的數(shù)字且首位不能為0 """ import redef main():username = input('請(qǐng)輸入用戶名: ')qq = input('請(qǐng)輸入QQ號(hào): ')# match函數(shù)的第一個(gè)參數(shù)是正則表達(dá)式字符串或正則表達(dá)式對(duì)象# 第二個(gè)參數(shù)是要跟正則表達(dá)式做匹配的字符串對(duì)象m1 = re.match(r'^[0-9a-zA-Z_]{6,20}$', username)if not m1:print('請(qǐng)輸入有效的用戶名.')m2 = re.match(r'^[1-9]\d{4,11}$', qq)if not m2:print('請(qǐng)輸入有效的QQ號(hào).')if m1 and m2:print('你輸入的信息是有效的!')if __name__ == '__main__':main()復(fù)制代碼提示: 上面在書寫正則表達(dá)式時(shí)使用了“原始字符串”的寫法(在字符串前面加上了r),所謂“原始字符串”就是字符串中的每個(gè)字符都是它原始的意義,說(shuō)得更直接一點(diǎn)就是字符串中沒(méi)有所謂的轉(zhuǎn)義字符啦。因?yàn)檎齽t表達(dá)式中有很多元字符和需要進(jìn)行轉(zhuǎn)義的地方,如果不使用原始字符串就需要將反斜杠寫作\\,例如表示數(shù)字的\d得書寫成\\d,這樣不僅寫起來(lái)不方便,閱讀的時(shí)候也會(huì)很吃力。
例子2:從一段文字中提取出國(guó)內(nèi)手機(jī)號(hào)碼。
下面這張圖是截止到2017年底,國(guó)內(nèi)三家運(yùn)營(yíng)商推出的手機(jī)號(hào)段。
import redef main():# 創(chuàng)建正則表達(dá)式對(duì)象 使用了前瞻和回顧來(lái)保證手機(jī)號(hào)前后不應(yīng)該出現(xiàn)數(shù)字pattern = re.compile(r'(?<=\D)1[34578]\d{9}(?=\D)')sentence = '''重要的事情說(shuō)8130123456789遍,我的手機(jī)號(hào)是13512346789這個(gè)靚號(hào),不是15600998765,也是110或119,王大錘的手機(jī)號(hào)才是15600998765。'''# 查找所有匹配并保存到一個(gè)列表中mylist = re.findall(pattern, sentence)print(mylist)print('--------華麗的分隔線--------')# 通過(guò)迭代器取出匹配對(duì)象并獲得匹配的內(nèi)容for temp in pattern.finditer(sentence):print(temp.group())print('--------華麗的分隔線--------')# 通過(guò)search函數(shù)指定搜索位置找出所有匹配m = pattern.search(sentence)while m:print(m.group())m = pattern.search(sentence, m.end())if __name__ == '__main__':main()復(fù)制代碼說(shuō)明: 上面匹配國(guó)內(nèi)手機(jī)號(hào)的正則表達(dá)式并不夠好,因?yàn)橄?4開(kāi)頭的號(hào)碼只有145或147,而上面的正則表達(dá)式并沒(méi)有考慮這種情況,要匹配國(guó)內(nèi)手機(jī)號(hào),更好的正則表達(dá)式的寫法是:(?<=\D)(1[38]\d{9}|14[57]\d{8}|15[0-35-9]\d{8}|17[678]\d{8})(?=\D),國(guó)內(nèi)最近好像有19和16開(kāi)頭的手機(jī)號(hào)了,但是這個(gè)暫時(shí)不在我們考慮之列。
例子3:替換字符串中的不良內(nèi)容
import redef main():sentence = '你傻嗎. .'purified = re.sub('憨]|fuck|shit|','*', sentence, flags=re.IGNORECASE)print(purified) # . * you.if __name__ == '__main__':main()復(fù)制代碼說(shuō)明: re模塊的正則表達(dá)式相關(guān)函數(shù)中都有一個(gè)flags參數(shù),它代表了正則表達(dá)式的匹配標(biāo)記,可以通過(guò)該標(biāo)記來(lái)指定匹配時(shí)是否忽略大小寫、是否進(jìn)行多行匹配、是否顯示調(diào)試信息等。如果需要為flags參數(shù)指定多個(gè)值,可以使用按位或運(yùn)算符進(jìn)行疊加,如flags=re.I | re.M。
例子4:拆分長(zhǎng)字符串
import redef main():poem = '窗前明月光,疑是地上霜。舉頭望明月,低頭思故鄉(xiāng)。'sentence_list = re.split(r'[,。, .]', poem)while '' in sentence_list:sentence_list.remove('')print(sentence_list) # ['窗前明月光', '疑是地上霜', '舉頭望明月', '低頭思故鄉(xiāng)']if __name__ == '__main__':main()復(fù)制代碼后話
如果要從事爬蟲類應(yīng)用的開(kāi)發(fā),那么正則表達(dá)式一定是一個(gè)非常好的助手,因?yàn)樗梢詭椭覀冄杆俚膹木W(wǎng)頁(yè)代碼中發(fā)現(xiàn)某種我們指定的模式并提取出我們需要的信息,當(dāng)然對(duì)于初學(xué)者來(lái)收,要編寫一個(gè)正確的適當(dāng)?shù)恼齽t表達(dá)式可能并不是一件容易的事情(當(dāng)然有些常用的正則表達(dá)式可以直接在網(wǎng)上找找),所以實(shí)際開(kāi)發(fā)爬蟲應(yīng)用的時(shí)候,有很多人會(huì)選擇Beautiful Soup或Lxml來(lái)進(jìn)行匹配和信息的提取,前者簡(jiǎn)單方便但是性能較差,后者既好用性能也好,但是安裝稍嫌麻煩,這些內(nèi)容我們會(huì)在后期的爬蟲專題中為大家介紹。
轉(zhuǎn)載于:https://juejin.im/post/5ced076251882548e438c67f
總結(jié)
以上是生活随笔為你收集整理的Python学习教程(Python学习路线):第12天—正则表达式的全部?jī)?nèi)容,希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇: 五款好评如潮的手机APP分享 用起来绝对
- 下一篇: css详解1