本文共 9857 字,大约阅读时间需要 32 分钟。
目录
场景1:在一个文件中,查找出itcast开头的语句
测试文件
itcast hello pythonitcast c++itheima iositheima php
场景:在一个文件中,找到含有itcast的语句
测试文件
hello itcast pythonwww.itcast.cn c++itheima iositheima php
场景:在一个文件中,找到邮箱为163或者126的所有邮件地址
在Python中需要通过正则表达式对字符串进行匹配的时候,可以使用一个模块,名字为re
#coding=utf-8 # 导入re模块 import re # 使用match方法进行匹配操作 result = re.match(正则表达式,要匹配的字符串) # 如果上一步匹配到数据的话,可以使用group方法来提取数据 result.group()
#coding=utf-8 import re result = re.match("itcast","itcast.cn") result.group()
运行结果为:
itcast
在上一小节中,了解到通过re模块能够完成使用正则表达式来匹配字符串
本小节,将要讲解正则表达式的单字符匹配
字符 | 功能 |
---|---|
. | 匹配任意1个字符(除了\n) |
[ ] | 匹配[ ]中列举的字符 |
\d | 匹配数字,即0-9 |
\D | 匹配非数字,即不是数字 |
\s | 匹配空白,即 空格,tab键 |
\S | 匹配非空白 |
\w | 匹配单词字符,即a-z、A-Z、0-9、_ |
\W | 匹配非单词字符 |
#coding=utf-8import reret = re.match(".","M")print(ret.group())ret = re.match("t.o","too")print(ret.group())ret = re.match("t.o","two")print(ret.group())
运行结果:
Mtootwo
#coding=utf-8import re# 如果hello的首字符小写,那么正则表达式需要小写的hret = re.match("h","hello Python") print(ret.group())# 如果hello的首字符大写,那么正则表达式需要大写的Hret = re.match("H","Hello Python") print(ret.group())# 大小写h都可以的情况ret = re.match("[hH]","hello Python")print(ret.group())ret = re.match("[hH]","Hello Python")print(ret.group())ret = re.match("[hH]ello Python","Hello Python")print(ret.group())# 匹配0到9第一种写法ret = re.match("[0123456789]Hello Python","7Hello Python")print(ret.group())# 匹配0到9第二种写法ret = re.match("[0-9]Hello Python","7Hello Python")print(ret.group())ret = re.match("[0-35-9]Hello Python","7Hello Python")print(ret.group())# 下面这个正则不能够匹配到数字4,因此ret为Noneret = re.match("[0-35-9]Hello Python","4Hello Python")# print(ret.group())
运行结果:
hHhHHello Python7Hello Python7Hello Python7Hello Python
#coding=utf-8import re# 普通的匹配方式ret = re.match("嫦娥1号","嫦娥1号发射成功") print(ret.group())ret = re.match("嫦娥2号","嫦娥2号发射成功") print(ret.group())ret = re.match("嫦娥3号","嫦娥3号发射成功") print(ret.group())# 使用\d进行匹配ret = re.match("嫦娥\d号","嫦娥1号发射成功") print(ret.group())ret = re.match("嫦娥\d号","嫦娥2号发射成功") print(ret.group())ret = re.match("嫦娥\d号","嫦娥3号发射成功") print(ret.group())
运行结果:
嫦娥1号嫦娥2号嫦娥3号嫦娥1号嫦娥2号嫦娥3号
匹配多个字符的相关格式
字符 | 功能 |
---|---|
* | 匹配前一个字符出现0次或者无限次,即可有可无 |
+ | 匹配前一个字符出现1次或者无限次,即至少有1次 |
? | 匹配前一个字符出现1次或者0次,即要么有1次,要么没有 |
{m} | 匹配前一个字符出现m次 |
{m,n} | 匹配前一个字符出现从m到n次 |
需求:匹配出,一个字符串第一个字母为大小字符,后面都是小写字母并且这些小写字母可有可无
#coding=utf-8import reret = re.match("[A-Z][a-z]*","M")print(ret.group())ret = re.match("[A-Z][a-z]*","MnnM")print(ret.group())ret = re.match("[A-Z][a-z]*","Aabcdef")print(ret.group())
运行结果:
MMnnAabcdef
需求:匹配出,变量名是否有效
#coding=utf-8import renames = ["name1", "_name", "2_name", "__name__"]for name in names: ret = re.match("[a-zA-Z_]+[\w]*",name) if ret: print("变量名 %s 符合要求" % ret.group()) else: print("变量名 %s 非法" % name)
运行结果:
变量名 name1 符合要求变量名 _name 符合要求变量名 2_name 非法变量名 __name__ 符合要求
需求:匹配出,0到99之间的数字
#coding=utf-8import reret = re.match("[1-9]?[0-9]","7")print(ret.group())ret = re.match("[1-9]?\d","33")print(ret.group())ret = re.match("[1-9]?\d","09")print(ret.group())
运行结果:
7330 # 这个结果并不是想要的,利用$才能解决
需求:匹配出,8到20位的密码,可以是大小写英文字母、数字、下划线
#coding=utf-8import reret = re.match("[a-zA-Z0-9_]{6}","12a3g45678")print(ret.group())ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66")print(ret.group())
运行结果:
12a3g41ad12f23s34455ff66
字符 | 功能 |
---|---|
^ | 匹配字符串开头 |
$ | 匹配字符串结尾 |
需求:匹配163.com的邮箱地址
#coding=utf-8import reemail_list = ["xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]for email in email_list: ret = re.match("[\w]{4,20}@163\.com", email) if ret: print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group())) else: print("%s 不符合要求" % email)
运行结果:
xiaoWang@163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.comxiaoWang@163.comheihei 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com.com.xiaowang@qq.com 不符合要求
完善后
email_list = ["xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]for email in email_list: ret = re.match("[\w]{4,20}@163\.com$", email) if ret: print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group())) else: print("%s 不符合要求" % email)
运行结果:
xiaoWang@163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.comxiaoWang@163.comheihei 不符合要求.com.xiaowang@qq.com 不符合要求
字符 | 功能 |
---|---|
| | 匹配左右任意一个表达式 |
(ab) | 将括号中字符作为一个分组 |
\num | 引用分组num匹配到的字符串 |
(?P<name>) | 分组起别名 |
(?P=name) | 引用别名为name分组匹配到的字符串 |
需求:匹配出0-100之间的数字
#coding=utf-8import reret = re.match("[1-9]?\d","8")print(ret.group()) # 8ret = re.match("[1-9]?\d","78")print(ret.group()) # 78# 不正确的情况ret = re.match("[1-9]?\d","08")print(ret.group()) # 0# 修正之后的ret = re.match("[1-9]?\d$","08")if ret: print(ret.group())else: print("不在0-100之间")# 添加|ret = re.match("[1-9]?\d$|100","8")print(ret.group()) # 8ret = re.match("[1-9]?\d$|100","78")print(ret.group()) # 78ret = re.match("[1-9]?\d$|100","08")# print(ret.group()) # 不是0-100之间ret = re.match("[1-9]?\d$|100","100")print(ret.group()) # 100
需求:匹配出163、126、qq邮箱
#coding=utf-8import reret = re.match("\w{4,20}@163\.com", "test@163.com")print(ret.group()) # test@163.comret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com")print(ret.group()) # test@126.comret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com")print(ret.group()) # test@qq.comret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com")if ret: print(ret.group())else: print("不是163、126、qq邮箱") # 不是163、126、qq邮箱
import retels = ["13100001234", "18912344321", "10086", "18800007777"]for tel in tels: ret = re.match("1\d{9}[0-35-68-9]", tel) if ret: print(ret.group()) else: print("%s 不是想要的手机号" % tel)
>>> ret = re.match("([^-]*)-(\d+)","010-12345678")>>> ret.group()'010-12345678'>>> ret.group(1)'010'>>> ret.group(2)'12345678'
需求:匹配出<html>hh</html>
#coding=utf-8import re# 能够完成对正确的字符串的匹配ret = re.match("<[a-zA-Z]*>\w* ", "hh")print(ret.group())# 如果遇到非正常的html格式字符串,匹配出错ret = re.match("<[a-zA-Z]*>\w* ", "hh")print(ret.group())# 正确的理解思路:如果在第一对<>中是什么,按理说在后面的那对<>中就应该是什么# 通过引用分组中匹配到的数据即可,但是要注意是元字符串,即类似 r""这种格式ret = re.match(r"<([a-zA-Z]*)>\w* ", "hh")print(ret.group())# 因为2对<>中的数据不一致,所以没有匹配出来test_label = "hh"ret = re.match(r"<([a-zA-Z]*)>\w* ", test_label)if ret: print(ret.group())else: print("%s 这是一对不正确的标签" % test_label)
运行结果:
hhhhhhhh 这是一对不正确的标签
需求:匹配出<html><h1>www.itcast.cn</h1></html>
#coding=utf-8import relabels = ["www.itcast.cn
", "www.itcast.cn
"]for label in labels: ret = re.match(r"<(\w*)><(\w*)>.* ", label) if ret: print("%s 是符合要求的标签" % ret.group()) else: print("%s 不符合要求" % label)
运行结果:
www.itcast.cn
是符合要求的标签www.itcast.cn
不符合要求
(?P<name>)
(?P=name)
需求:匹配出<html><h1>www.itcast.cn</h1></html>
#coding=utf-8import reret = re.match(r"<(?P\w*)><(?P \w*)>.* ", " www.itcast.cn
")ret.group()ret = re.match(r"<(?P\w*)><(?P \w*)>.* ", " www.itcast.cn
")ret.group()
(?P<name>)
和(?P=name)
中的字母p大写运行结果:
需求:匹配出文章阅读的次数
#coding=utf-8import reret = re.search(r"\d+", "阅读次数为 9999")ret.group()
运行结果:
'9999'
需求:统计出python、c、c++相应文章阅读的次数
#coding=utf-8import reret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")print(ret)
运行结果:
['9999', '7890', '12345']
需求:将匹配到的阅读次数加1
方法1:
#coding=utf-8import reret = re.sub(r"\d+", '998', "python = 997")print(ret)
运行结果:
python = 998
方法2:
#coding=utf-8import redef add(temp): strNum = temp.group() num = int(strNum) + 1 return str(num)ret = re.sub(r"\d+", add, "python = 997")print(ret)ret = re.sub(r"\d+", add, "python = 99")print(ret)
运行结果:
python = 998python = 100
从下面的字符串中取出文本
岗位职责:
完成推荐算法、数据统计、接口、后台等服务器端相关工作
必备要求:
良好的自我驱动力和职业素养,工作积极主动、结果导向
技术要求:
1、一年以上 Python 开发经验,掌握面向对象分析和设计,了解设计模式
2、掌握HTTP协议,熟悉MVC、MVVM等概念以及相关WEB开发框架
3、掌握关系数据库开发设计,掌握 SQL,熟练使用 MySQL/PostgreSQL 中的一种
4、掌握NoSQL、MQ,熟练使用对应技术解决方案
5、熟悉 Javascript/CSS/HTML5,JQuery、React、Vue.js
加分项:
大数据,数理统计,机器学习,sklearn,高性能,大并发。
参考答案:
re.sub(r"<[^>]*>| |\n", "", test_str)
需求:切割字符串“info:xiaoZhang 33 shandong”
#coding=utf-8import reret = re.split(r":| ","info:xiaoZhang 33 shandong")print(ret)
运行结果:
['info', 'xiaoZhang', '33', 'shandong']
Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;
非贪婪则相反,总是尝试匹配尽可能少的字符。
在"*","?","+","{m,n}"后面加上?,使贪婪变成非贪婪。
>>> s="This is a number 234-235-22-423">>> r=re.match(".+(\d+-\d+-\d+-\d+)",s)>>> r.group(1)'4-235-22-423'>>> r=re.match(".+?(\d+-\d+-\d+-\d+)",s)>>> r.group(1)'234-235-22-423'>>>
正则表达式模式中使用到通配字,那它在从左到右的顺序求值时,会尽量“抓取”满足匹配最长字符串,在我们上面的例子里面,“.+”会从字符串的启始处抓取满足模式的最长字符,其中包括我们想得到的第一个整型字段的中的大部分,“\d+”只需一位字符就可以匹配,所以它匹配了数字“4”,而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。
解决方式:非贪婪操作符“?”,这个操作符可以用在"*","+","?"的后面,要求正则匹配的越少越好。
>>> re.match(r"aa(\d+)","aa2343ddd").group(1)'2343'>>> re.match(r"aa(\d+?)","aa2343ddd").group(1)'2'>>> re.match(r"aa(\d+)ddd","aa2343ddd").group(1) '2343'>>> re.match(r"aa(\d+?)ddd","aa2343ddd").group(1)'2343'>>>
字符串为:
请提取url地址
参考答案
re.search(r"https://.*?\.jpg", test_str)
>>> mm = "c:\\a\\b\\c">>> mm'c:\\a\\b\\c'>>> print(mm)c:\a\b\c>>> re.match("c:\\\\",mm).group()'c:\\'>>> ret = re.match("c:\\\\",mm).group()>>> print(ret)c:\>>> ret = re.match("c:\\\\a",mm).group()>>> print(ret)c:\a>>> ret = re.match(r"c:\\a",mm).group()>>> print(ret)c:\a>>> ret = re.match(r"c:\a",mm).group()Traceback (most recent call last): File "", line 1, in AttributeError: 'NoneType' object has no attribute 'group'>>>
说明
Python中字符串前面加上 r 表示原生字符串
,
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"\\":前两个和后两个分别用于在编程语言里转义成反斜杠,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。
Python里的原生字符串很好地解决了这个问题,有了原生字符串,你再也不用担心是不是漏写了反斜杠,写出来的表达式也更直观。
>>> ret = re.match(r"c:\\a",mm).group()>>> print(ret)c:\a