最近研究Python爬虫,很多地方用到了正则表达式,但是没好好研究,每次都得现查文档。今天就专门看看Python正则表达式。本文参考了官方文档 re模块。
模式
首先正则表达式的语法我就不说了,这玩意倒是不算难,用的时候现查就行了——正则表达式_百度百科。
在很多编程语言中,由于有转义字符这么一种东西的存在,导致正则表达式需要使用两个斜杠来处理。如果编程语言支持原始字符串,那么就不需要两个斜杠了。在Python中,字符串前面添加字母r即可把字符串变成原始字符串。
下面是一个正则表达式最简单的使用例子。我们查找所有以字母F开头的单词,不论大小写。这个例子使用了正则表达式模块的re.findall
函数,它会返回所有符合模式的列表。
import re
text = 'fuck shit it make she forest'
results = re.findall(r'\b[Ff]\w+', text)
print(results)
如果某一个模式需要经常使用,我们可以把它编译为模式对象。然后从模式对象上调用各种正则查询方法。这样做的优点是:由于模式已经编译了,所以后续的查询速度会更快。
pattern = re.compile(r'\b[Ff]\w+')
print(pattern.findall(text))
查询标志
大部分查询方法还可以接受一个查询标志参数。查询标志让正则表达式具有不同的行为。下面一一说明。
标志 | 作用 |
---|---|
re.A、re.ASCII | 以ASCII模式查询,默认是Unicode模式 |
re.DEBUG | 显示编译表达式的调试信息 |
re.I、re.IGNORECASE | 忽略字母的大小写 |
re.L、re.LOCALE | 以区域敏感方式查询匹配 |
re.M、re.MULTILINE | 开启多行模式,开启之后行边界符^$ 会匹配每行的开始和结束,而不是整个字符串的开始和结束 |
re.S、re.DOTALL | 使用此标志,会让点符号匹配所有字符,默认情况下点符号会匹配换行符以外的符号 |
re.X、re.VERBOSE | 开启啰嗦模式,可以在写正则表达式的时候添加注释 |
下面是啰嗦模式的例子,来自Python官方文档。
a = re.compile(r"""\d + # the integral part
\. # the decimal point
\d * # some fractional digits""", re.X)
b = re.compile(r"\d+\.\d*")
查询方法
查询方法有两种形式,第一种是re模块的函数,这些函数需要接受一个模式字符串。第二种就是从编译好的模式对象上调用,这样不需要模式字符串了。基本上大部分方法都有这两种形式,所以这里只需要介绍一种形式。
re.search(pattern, string, flags=0)
方法查询字符串,返回第一个结果的匹配对象。不管有多少个满足条件的字符串,这个方法之返回第一个。如果查询不到,就返回None。re.match(pattern, string, flags=0)
查询字符串,当字符串的前面一部分和模式匹配的时候,会返回相应的匹配对象。如果不匹配,那么返回None。需要注意即使开启了多行模式,这个方法也只查询字符串最前面的一部分,不会查询每行的前面。re.fullmatch(pattern, string, flags=0)
,如果整个字符串和模式匹配,返回相应的匹配对象。否则返回None。re.split(pattern, string, maxsplit=0, flags=0)
,按给定正则表达式分割字符串。re.findall(pattern, string, flags=0)
,最常用的方法,返回一个列表,包含所有匹配模式的字符串。re.finditer(pattern, string, flags=0)
,和findall方法类似,不过返回的是一个迭代器。re.sub(pattern, repl, string, count=0, flags=0)
,将字符串中匹配模式的部分使用repl替换,返回替换后的字符串。re.subn(pattern, repl, string, count=0, flags=0)
,和sub方法类似,不过返回元组(新字符串,替换的数量)
。re.purge()
,清除正则表达式缓存。
在已编译好的正则表达式对象上还有以下几个属性。
flags,正则表达式的所有标志,包括flags参数设置的,compile方法编译传入的,以及正则表达式中本身的标志。
groups,正则表达式中捕获组的数量。
pattern,返回模式字符串。
groupindex,返回
(?P<id>)
形式的命名组和组编号键值对组成的字典。
匹配对象
上面提到的很多方法都返回匹配对象。匹配对象包含了一些方法和属性,方便我们进行查询。
最常用的就是group函数,它会返回指定组对应的字符串。下面的例子就查询了给定数据中的数据量和每页的条数。第0组返回整个匹配,第1组返回第一个匹配,以此类推……也可以采用命名组的方式。
text = '总共20条数据 每页5条'
pattern = re.compile(r'总共(?P<total>\d+)条数据\s+每页(?P<per>\d+)条')
match = pattern.match(text)
print(match.group(0))
另一个比较常用的函数就是groups(default=None)
,它返回所有组组成的元组。如果有的组没有匹配到字符串,就会显示为None,这时候可以使用default参数指定默认值。
text = '总共20条数据 每页5条'
pattern = re.compile(r'总共(?P<total>\d+)条数据\s+每页(?P<per>\d+)条')
match = pattern.match(text)
print(match.groups())
# 结果
# ('20', '5')
groupdict(default=None)
返回组名和字符串组成的字典。还是上面的例子。
print(match.groupdict())
# {'total': '20', 'per': '5'}
start
和end
函数返回给定组的在字符串的起始和结束索引,如果对应的组没有任何匹配,则返回-1。下面的例子来自Python官方文档,从电子邮件地址中去除remove_this。
>>> email = "tony@tiremove_thisger.net"
>>> m = re.search("remove_this", email)
>>> email[:m.start()] + email[m.end():]
'tony@tiger.net'
match.span([group])
返回给定组的起始索引和结束索引组成的元组。
以上就是Python正则表达式的大部分内容了,灵活使用这些知识,可以获得强大的功能。关于如何巧用,就看大家的智慧了。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。