Python正则表达式(持续更新，各种字符串筛选，总有一款适合您当前的功能)

举报
红目香薰 发表于 2022/11/29 15:19:44 2022/11/29
【摘要】 整个文章都是以精华部分为主，主要分文2个部分： 1、python的【re】正则表达式使用方法。 2、【re】正则表达式以及对应的demo。 第一部分让你知道【re】的几个函数的区别，更好的匹配项目中的需求。 第二部分让你快速的匹配具体需要的正则表达式可用拼写方法。

​

 ​编辑

前言

整个文章都是以精华部分为主，主要分文2个部分：

1、python的【re】正则表达式使用方法。

2、【re】正则表达式以及对应的demo。

第一部分让你知道【re】的几个函数的区别，更好的匹配项目中的需求。

第二部分让你快速的匹配具体需要的正则表达式可用拼写方法。

目录

前言

一、python【re】的用法

1、re.match函数·单一匹配-推荐指数【★★】

2、re.search函数·单一匹配-推荐指数【★★★★★】

3、re.findall函数·多项匹配-推荐指数【★★★★★】

4、re.finditer函数·多项匹配-推荐指数【★★★★】

5、re.sub函数·替换函数-推荐指数【★★★★】

二、正则表达式示例·总有一款适合你

1、正则表达式匹配HTML指定id/class的标签

2、正则表达式匹配HTML中所有a标签中的各类属性值

3、获取标签的文本值·例如：span标签、a标签文本

获取方法1：

获取方法2：

4、key:value格式的数据

5、匹配url

1、匹配短连接

2、匹配长连接

3、各类网址url列表

 4、网页中中文提取

总结：



一、python【re】的用法

通用函数：

函数名 作用
span() 获取匹配字符串下标范围，返回元组。
group() 返回匹配字符串结果，返回字符串。

1、re.match函数·单一匹配-推荐指数【★★】

re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

函数语法：

re.match(pattern, string, flags=0)

pattern：正则表达式字符串。

string：需要匹配的字符串。

第三个flags是控制正则的严谨度，常用的两个：re.I不区分大小写，re.S遇到【\n】继续匹配。

示例：

注：re.match弊端：只能匹配是否以某字符串为开头的内容，所以很多场合不合适。

import re

'''
re.match弊端：只能匹配是否以某字符串为开头的内容
'''
result1 = re.match(r'I', 'i Have A Dream!', re.I)  # 在起始位置匹配，不区分大小写
result2 = re.match(r'Dream', 'I Have A dream!', re.I)  # 不在起始位置匹配，不区分大小写
print(result1)
print("匹配位置：", result1.span())
print("匹配字符串：", result1.group())
print(result2)

结果中我们能看到是否以字符串开头进行字符串匹配的区别，虽然都含有，但是不是开头的字符串就不匹配。 

​编辑

2、re.search函数·单一匹配-推荐指数【★★★★★】

注：re.search函数无论在哪里都能匹配字符串。

函数语法与re.match函数一样。 

import re

'''
re.search：无论在哪里都能匹配
'''
result1 = re.search(r'I', 'I Have A Dream!', re.I)  # 不区分大小写
result2 = re.search(r'Dream', 'I Have A dream!dream', re.I)  # 不区分大小写
print(result1)
print("匹配位置：", result1.span())
print("匹配字符串：", result1.group())
print("匹配位置：", result2.span())
print("匹配字符串：", result2.group())

在结果中我们可以清晰的看到匹配到匹配到的位置。 

​编辑

以上两种都只能匹配一次，那么很多时候我们是一个超级大的字符串，或甚至是整个【H5】网页，那么，我们需要多个匹配的时候就不能使用这两个函数了。



3、re.findall函数·多项匹配-推荐指数【★★★★★】

在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果有多个匹配模式，则返回元组列表，如果没有找到匹配的，则返回空列表。个人喜欢用列表所以五星推荐。

注：这里通上面的两个函数的本质却别就出来了，我们可以匹配一个大字符串中所有符合正则表达式的字符串。

示例：

import re

'''
re.findall：匹配所有符合正则表达式的字符串
'''
result1 = re.findall(r'I', 'I Have A Dream!I I I I I I I')  # 在起始位置匹配
result2 = re.findall(r'Dream', 'I Have A Dream!Dream')  # 不在起始位置匹配
print(result1)
print(result2)

结果中我们能看到所有符合的字符串都返回到了列表中，没有去重操作。 

​编辑

4、re.finditer函数·多项匹配-推荐指数【★★★★】

在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。个人不太喜欢用迭代器，故而推荐指数四颗星。

注：这里我与findall做了个对比，喜欢使用迭代器的可以使用这个函数啊。

import re

content = '''email:372699828@qq.com
email:feng8403000@163.com
email:qwe8403000@126.com
'''
result_findall = re.findall(r"\d+@\w+.com", content)
print("迭代器类型：", type(result_findall))
# 返回list
result_findall
for i in result_findall:
    print(i)

print("-" * 20)

result_finditer = re.finditer(r"\d+@\w+.com", content)
# 返回iterator
print("list列表类型：", type(result_finditer))
for i in result_finditer:
    print(i.group())

5、re.sub函数·替换函数-推荐指数【★★★★】

这个函数用的相对来说不是很多，一般正则梳理好的字符串就直接使用字符串的处理方法来搞定了。但是这个函数还是很方便的，只是我不推荐替换原内容。

示例：

import re

'''
re.sub：替换匹配字符串
'''
result1 = re.sub(r'I', '我', 'I Have A Dream!')
result2 = re.sub(r'Dream', '梦想', 'I Have A Dream!Dream')
print(result1)
print(result2)

结果中可以看到，这个替换匹配是默认多个匹配的。 

​编辑

二、正则表达式示例·总有一款适合你

1、正则表达式匹配HTML指定id/class的标签

r"<ul class=\"chapter-list clearfix\">.*?</ul>"

.*?含义是不限任意字符的匹配，直到【?】后面的内容代表结束，这里【?】后面是【</ul>】，所以能截取整个ul标签的内容。以后用处很多，记住。

import re
import requests

'''
获取某网站·某个·class元素下·所有内容·返回字符串
'''
url = "https://book.zongheng.com/showchapter/1243826.html"
context = requests.get(url).content.decode("utf-8")
result1 = re.findall(r"<ul class=\"chapter-list clearfix\">.*?</ul>", context, re.S)
print(result1)
print(len(result1[0]))
print(result1[0])

结果中能看截取成功：

​编辑

2、正则表达式匹配HTML中所有a标签中的各类属性值

r'<a.*? href="(.*?)".*?>.*?</a>'

同理，想获得【title】标签就将正则表达式中的属性换成想要的就行。

import re

'''
正则获取所有a标签的href值
'''
context = """
<a href="https://baidu.com" target="_blank">百度</a>
<a href="https://baidu.com" target="_blank">百度</a>
<a href="https://baidu.com" target="_blank">百度</a>
<a href="https://baidu.com" target="_blank">百度</a>
"""
result1 = re.findall(r'<a.*? href="(.*?)".*?>.*?</a>', context)
print(result1)

​编辑

实际示例1：获取href值

import re
import requests

'''
获取某网站·某个·class元素下·所有内容·返回字符串·根据字符串匹配超链接的href值
'''
url = "https://book.zongheng.com/showchapter/1243826.html"
context = requests.get(url).content.decode("utf-8")
result1 = re.findall(r"<ul class=\"chapter-list clearfix\">.*?</ul>", context, re.S)
a_href = re.findall(r'<a.*? href="(.*?)".*?>.*?</a>', result1[0], )
print("爬取成功：", len(a_href))
for item in a_href:
    print(item)

结果匹配到138条超链接的值：

​编辑

实际示例2：获取title值

import re
import requests

'''
获取某网站·某个·class元素下·所有内容·返回字符串·根据字符串匹配超链接的title值
'''
url = "https://book.zongheng.com/showchapter/1243826.html"
context = requests.get(url).content.decode("utf-8")
result1 = re.findall(r"<ul class=\"chapter-list clearfix\">.*?</ul>", context, re.S)
a_href = re.findall(r'<a.*? title="(.*?)".*?>.*?</a>', result1[0], )

for item in a_href:
    print(item)
print("爬取成功：", len(a_href))

结果可看到，同样匹配成功。 

​编辑

3、获取标签的文本值·例如：span标签、a标签文本

我这里处理的是a标签的文本，咱们没有使用框架，相对来说纯使用正则表达式稍微麻烦一些，但是处理方式还是不复杂的，可以看到我获取a标签所有内容后，将左右的标签符号去掉就剩下中间的文本了，还是挺容易获取的。如果是span标签，您直接把a标签替换成span标签就行了。

获取方法1：

import re
import requests

'''
获取某网站·某个·class元素下·所有内容·返回字符串·根据字符串匹配超链接的文本内容
'''
url = "https://book.zongheng.com/showchapter/1243826.html"
context = requests.get(url).content.decode("utf-8")
result1 = re.findall(r"<ul class=\"chapter-list clearfix\">.*?</ul>", context, re.S)
a_href = re.findall(r'<a.*?>.*?</a>', result1[0])
data_list = []
left_text = ">"
right_text = "</a>"
for item in a_href:
    result = re.findall(r">.*?</a>", item)
    for item1 in result:
        item1 = item1.replace(left_text, "", 1).replace(right_text, "", 1)
        data_list.append(item1)
for item in data_list:
    print(item)
print("爬取成功：", len(data_list))

结果呈现，可以看到138条都筛选出来了。

​编辑

获取方法2：

通过【()】的方法直接获取我们需要的内容

import re
import requests

'''
获取某网站·某个·class元素下·所有内容·返回字符串·根据字符串匹配超链接的文本内容
'''
url = "https://book.zongheng.com/showchapter/1243826.html"
context = requests.get(url).content.decode("utf-8")
result1 = re.findall(r"<ul class=\"chapter-list clearfix\">.*?</ul>", context, re.S)
a_href = re.findall(r'<a.*?>.*?</a>', result1[0])
data_list = []
left_text = ">"
right_text = "</a>"
for item in a_href:
    result = re.findall(r">(.*?)</a>", item)
    data_list.append(result[0])
for item in data_list:
    print(item)
print("爬取成功：", len(data_list))

这种方法直接就能获取我们需要的内容：

​编辑

4、key:value格式的数据

在下图中可以看到字典格式的数据，{"adv_type":"bookDirectory00","adv_res":"zongheng","pos":""}我们想要其中的"adv_type"的值，那么，我们需要用另外一种正则表达式了：

​编辑

import re
import requests

'''
获取key:value的数据
'''
url = "https://book.zongheng.com/showchapter/1243826.html"
context = requests.get(url).content.decode("utf-8")

result1 = re.findall('"adv_type":"(.*?)"', context)
for item in result1:
    print(item)

结果示例：

​编辑

5、匹配url

1、匹配短连接

r'(http[|s]?://[^\s]*/)'

import re
import requests

'''
提取字符串中的链接
'''
headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36"
}
url_info = """6.69 Cuf:/ 售价888一碗的面！自己在家做需要花多少钱？# 百蟹面 # 六虾面   https://v.douyin.com/rhkGMfh/ 复制此链接，打开Dou音搜索，直接观看视频！"""
short_url = re.findall(r'(http[|s]?://[^\s]*/)', url_info)[0]
print(short_url)
url = requests.get(url=short_url, headers=headers).url
item_id = url.split('/')[4][0:19]
url = "https://www.iesdouyin.com/web/api/v2/aweme/iteminfo/?item_ids={0}".format(item_id)
html = requests.get(url, headers=headers)
title = html.json()['item_list'][0]['desc']  # 标题获取
print(title)

结果获取：

​编辑

2、匹配长连接

r"""(http|ftp|https):\/\/[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])?"""

import re
import requests

'''
获取某网站·获取所有的长链接
'''
url = "https://book.zongheng.com/showchapter/1243826.html"
context = requests.get(url).content.decode("utf-8")
result1 = re.findall(r"<ul class=\"chapter-list clearfix\">.*?</ul>", context, re.S)
# result1中包含多个长连接
rule = r"""(http|ftp|https):\/\/[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])?"""
result2 = re.findall(rule, result1[0], re.S)
data_list = []
for item in result2:
    new_url = "{0}://book.zongheng.com{1}".format(item[0], item[2])
    data_list.append(new_url)
for item in data_list:
    print(item)
print("获取连接：", len(data_list))

匹配的内容需要拼接一下： 

​编辑

3、各类网址url列表

正则表达式 匹配网址类型示例
(http|ftp|https):\/\/[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])? 开局继承百亿家产，喜欢捐款很合理吧？最新章节,开局继承百亿家产，喜欢捐款很合理吧？小说txt全集下载,免费全文阅读-纵横中文网
^\\{2}[\w-]+\\(([\w-][\w-\s]*[\w-]+[$$]?$)|([\w-][$$]?$)) 没有后缀的网址/server/view_6/show
^(http|https|ftp)\://([a-zA-Z0-9\.\-]+(\:[a-zA-Z0-9\.&%\$\-]+)*@)?((25[0-5]|2[0-4][0-9]|[0-1]{1}[0-9]{2}|[1-9]{1}[0-9]{1}|[1-9])\.(25[0-5]|2[0-4][0-9]|[0-1]{1}[0-9]{2}|[1-9]{1}[0-9]{1}|[1-9]|0)\.(25[0-5]|2[0-4][0-9]|[0-1]{1}[0-9]{2}|[1-9]{1}[0-9]{1}|[1-9]|0)\.(25[0-5]|2[0-4][0-9]|[0-1]{1}[0-9]{2}|[1-9]{1}[0-9]{1}|[0-9])|([a-zA-Z0-9\-]+\.)*[a-zA-Z0-9\-]+\.[a-zA-Z]{2,4})(\:[0-9]+)?(/[^/][a-zA-Z0-9\.\,\?\'\\/\+&%\$#\=~_\-@]*)*$ 匹配长链接
^([a-zA-Z]\:|\\\\[^\/\\:*?"<>|]+\\[^\/\\:*?"<>|]+)(\\[^\/\\:*?"<>|]+)+(\.[^\/\\:*?"<>|]+)$ 匹配电脑中的绝对路径
\b(([\w-]+://?|www[.])[^\s()<>]+(?:[\w\d]+[\w\d]+|([^[:punct:]\s]|/))) 匹配没有.后缀的网址


 4、网页中中文提取

r"[\u4E00-\u9FA5]"

import re
import requests

'''
获取某网站·获取网站中所有中文
'''
url = "https://book.zongheng.com/showchapter/1243826.html"
context = requests.get(url).content.decode("utf-8")
rule = r"[\u4E00-\u9FA5]"
result2 = re.findall(rule, context, re.S)
count = 0
for item in result2:
    if count % 10 == 0:
        print()
    print(item, end="")
    count += 1
print("\n共计提取：", len(result2), "个中文")

结果展示：

总结：

暂时先写这些，后面随时用到随时写。  

​

【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息， 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com
Python 正则表达式
  • 点赞
  • 收藏
  • 关注作者

评论（0）

0/1000
抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认 取消

加入云驻计划，成为创作者

  • 华为云周边好礼
  • 免费体验产品
  • 特殊身份标识
  • 线下官方门票
  • 内部专家零距离
  • 与10000+优质创作者共同成长
立即加入