python正则表达式

作者：AOAIYI
创作不易，如果觉得文章不错或能帮到你学习，记得点赞收藏评论一下哦

---

---

一、实验目的

学会使用常见的正则表达式

二、实验原理

一、 正则表达式基础

1.1.概念介绍

正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。

其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。

它拥有自己独特的语法以及一个独立的处理引擎，在提供了正则表达式的语言里，正则表达式的语法都是一样的。

下图展示了使用正则表达式进行匹配的流程：

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。

贪婪模式，总是尝试匹配尽可能多的字符；

非贪婪模式则相反，总是尝试匹配尽可能少的字符。

Python里数量词默认是贪婪的。

例如：正则表达式"ab*“如果用于查找"abbbc”，将找到"abbb"。

而如果使用非贪婪的数量词"ab*?"，将找到"a"。

1.3. 反斜杠的问题

与大多数编程语言相同，正则表达式里使用""作为转义字符，这就可能造成反斜杠困扰。

假如你需要匹配文本中的字符""，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\"：

第一个和第三个用于在编程语言里将第二个和第四个转义成反斜杠，

转换成两个反斜杠\后再在正则表达式里转义成一个反斜杠用来匹配反斜杠\。

这样显然是非常麻烦的。

Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\"表示。

同样，匹配一个数字的"\d"可以写成r"\d"。

三、实验环境

Python 3.6.1以上

PyCharm

四、实验内容

掌握常用的正则表达式是爬虫的基础，练习常用的正则表达式。

五、实验步骤

1.在python中有个re包，它是专门用来做正则表达式的，使用时应先import添加re包。在正则表达式中最常用的是".“和”"，".“代表匹配任意字符，”“代表匹配0或多次前面出现的字符。
举例，现在有数据abcde，我们使用”."来匹配中间的bcd三个字母。

import re  
  
data = 'abcde'  
reg = 'a...e'  
out = re.findall(reg,data)  
print(out)  

可以在下面看到输出了abcde，说明成功用三个".“代替了bcd，那么当中间字符不止是三个而是更多时，就不能简单的重复”.“了，我们应该使用”*"。

例如：使用".*“来表示0或无限次的”."，修改代码为：

import re  
  
data = 'abcde'  
reg = 'a.*e'  
out = re.findall(reg,data)  
print(out)  

输出与上次的结果相同，证明匹配成功。
注意："+“与”“的功能相同，区别在于”“可以匹配到0次，也就是说匹配的字符可以不出现，而”+"匹配的字符最少要出现一次。

2."^“和”$"分别代表匹配字符串起始部分和匹配字符串终止部分。
例如：我们定义的规则是匹配出以h开头的字符串。

import re  
  
data = 'hadoopandspark'  
reg = '^h.*'  
out = re.findall(reg,data)  
print(out)  

可以看到我们将开头为h的"hadoopandspark"匹配出来了，如果我们匹配其他开头字母，那么该字符串将不会匹配出来。

例如：我们定义规则为匹配以a开头的字符串，则不会返回结果。

import re  
data = 'hadoopandspark'  
reg = '^a.*'  
out = re.findall(reg,data)  
print(out) 

3.同理的，"$"的用法是匹配终止字符

例如：我们匹配以k结尾的字符串，将会匹配出"hadoopandspark"，如果改为匹配其他字母，则不会返回结果

import re  
data = 'hadoopandspark'  
reg = '.*k$'  
out = re.findall(reg,data)  
print(out)  

4."?“也是正则表达式中的一个常用符号，它有两种用法，一是表示”?"前的字符出现0次或1次。

例如：北京某地的电话号为010-99999999，定义区号和后面号码之间可以存在一个或零个"-"，当"-"多于一个时，将不会返回结果。

import re  
  
data = '010-99999999'  
data1 = '01099999999'  
data2 = '010--99999999'  
  
reg = '^010-?\d{8}$'  
  
out = re.findall(reg,data)  
out1 = re.findall(reg,data1)  
out2 = re.findall(reg,data2)  
print(out)  
print(out1)  
print(out2)  

第二种用法是它表示非贪婪模式，贪婪模式是指只要有符合条件的字符就全部匹配出来，它将匹配出所有q，非贪婪模式是指只要匹配到一个符合要求的字符就停止，不再继续贪婪更多的q。

import re  
  
data = 'qqqqqqqaabbaccc'  
reg = '^q+'  
reg1 = '^q+?'  
out = re.findall(reg,data)  
out1 = re.findall(reg1,data)  
print(out)  
print(out1)  

5.{N}和{N,M}的用法，{N}代表匹配N次前面出现的字符，{N,M}代表匹配N~M次前面出现的字符。

例如：reg代表匹配两次q，reg1代表匹配2次以上的q，reg2代表匹配2次以上，5次以下的q。

import re  
data = 'qqqqqqqaabbacccqq'  
  
reg = '^q{2}'  
reg1 = '^q{2,}'  
reg2 = '^q{2,5}'  
  
out = re.findall(reg,data)  
out1 = re.findall(reg1,data)  
out2 = re.findall(reg2,data)  
  
print(out)  
print(out1)  
print(out2)

6."|“代表匹配”|“左边或右边的字符，”|"两边只要有一边成立就可以匹配出来。

例如："|“左边匹配以010-开头的前6位字符，”|"右边匹配以9结尾的后4位字符。

import re  
data = '010-99999999'  
reg = '^010-.{2}|.{3}9$'  
out = re.findall(reg,data)  
print(out)  

注意："|"的左右两侧，如果左侧匹配失败则匹配右侧，如果右侧匹配失败则匹配左侧。

7."[ ]"表示匹配来自字符集的任意单一字符。

例如：[136 139 182 158]，[ ]内包含四个电话号码的前三位，在数据中只要满足这四个电话号码中的任意一个，就可以匹配出来。

import re  
data = '13611112222'  
data1 = '15833334444'  
  
reg = '[136 139 182 158].*'  
out = re.findall(reg,data)  
out1 = re.findall(reg,data1)  
  
print(out)  
print(out1)  

8."[^] "表示不匹配 [^]中的内容。

例如：我们定义的规则是匹配出以1开头，第二位为3、5、8，第三位任意，第四位不能为1的电话号码。

import re  
data = '13611112222,15833334444,18255556666'  
  
reg = '1[3 5 8].[^1]{8}'  
out = re.findall(reg,data)  
  
print(out)  

9.\s表示匹配任何空白字符，\S表示匹配任何非空白字符。

例如，\s将匹配出三个空格，\S将匹配出其他非空白字符。

import re  
data = 'abc 123 ABC -'  
  
reg = '\s'  
reg1 = '\S'  
  
out = re.findall(reg,data)  
out1 = re.findall(reg1,data)  
  
print(out)  
print(out1)  

10.\w表示匹配任何字母数字字符，\W匹配任何非字母数字字符。

例如：\w匹配出了字母和数字，\W略过了非字母和数字，匹配出了空格和符号。

import re  
data = 'abc 123 ABC - + *'  
  
reg = '\w'  
reg1 = '\W'  
  
out = re.findall(reg,data)  
out1 = re.findall(reg1,data)  
  
print(out)  
print(out1)  

11.\d表示匹配任何十进制数，\D表示匹配任何非数字字符。

例如：\d匹配出了123，\D略过了123，匹配出了字母，空格和符号。

import re  
data = 'abc 123 ABC - + *'  
  
reg = '\d'  
reg1 = '\D'  
  
out = re.findall(reg,data)  
out1 = re.findall(reg1,data)  
  
print(out)  
print(out1)  

---

总结

以上就是本文要讲的内容，本文介绍了正则表达式的使用，正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。
其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。
它拥有自己独特的语法以及一个独立的处理引擎，在提供了正则表达式的语言里，正则表达式的语法都是一样的。