Python学习之re正则表达式

2020-02-21

re.match

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。

content = '2005-2018 douban.com, all rights reserved 北京豆网科技有限公司'
content = '2005-2018 douban.com, all rights reserved 北京豆网科技有限公司'
result = re.match('^(\d{4})-(\d{4}).*司$', content)
print(result.group())
print(result.group(1))
print(result.groups(), type(result.groups()))
print(result.group(2))

# 输出结果：
> 2005-2018 douban.com, all rights reserved 北京豆网科技有限公司
> 2005
> ('2005', '2018') <class 'tuple'>
> 2018

re.match从字符串的开头匹配
（将常规匹配中表达式改成 005-\d{4}...都不能匹配成功）

group与groups的用法：

group()查看正则式所匹配内容
group(1)查看正则式中第一个括号里面的内容
groups()将正则式中所有括号里面的内容组成一个tuple，提取字符串要用切片的方法result.groups()[0]
group() 里面的参数是从1开始的，不是0。

re.search

re.search匹配整个字符串，直到找到一个匹配

！！！为了匹配方便，能用search就不用match

result1 = re.search('2018.*(\w{6})', content)
print(result1.group(1))
# 输出结果:
> 科技有限公司

python-re-group

result2 = re.search('2018.*?(\w{6})', content)
print(result2.group(1))
# 输出结果：
> douban

区别：
匹配目标(\w{6})是想截取2018以后的连续6个字母数字及下划线
规则.*，尽可能多的匹配到中间的字符，只剩下最后6个字符作为匹配目标
规则.*?，却截取与匹配目标最接近的6个字符

re.findall

案例：正则式爬取豆瓣图书相关信息
先获得单个html源码

url = 'https://book.douban.com/top250?icn=index-book250-all'
response = requests.get(url)
content = response.text
results = re.findall('title="(\w+)".*?<p class="pl">.*?(\d{2}\.\d{2}).*?</p>', content, re.S)
# print(results)
输出结果：
[('追风筝的人', '29.00'), ('小王子', '22.00'), ('围城', '19.00'), ('解忧杂货店', '39.50'), ('活着', '12.00'), ('白夜行', '29.80'), ('挪威的森林', '18.80'), ('嫌疑人X的献身', '28.00'), ('三体', '23.00'), ('不能承受的生命之轻', '23.00'), ('红楼梦', '59.70'), ('梦里花落知多少', '20.00'), ('看见', '39.80'), ('百年孤独', '39.50'), ('何以笙箫默', '15.00'), ('可试读', '19.50'), ('白夜行', '39.50'), ('三体Ⅱ', '32.00'), ('飘', '40.00'), ('送你一颗子弹', '25.00'), ('三体Ⅲ', '38.00')]

re.finditer

和 findall 类似，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

results = re.finditer('title="(\w+)".*?<p class="pl">.*?(\d{2}\.\d{2}).*?</p>', content, re.S)
print(results)
for result in results:
print(result.groups())

re.compile

用于编译正则表达式，生成一个正则表达式(Pattern)对象，作为参数供其他re模块函数使用

以findall改编一下：

1 2	pattern = re.compile('title="(\w+)".?<p class="pl">.?(\d{2}\.\d{2}).*?</p>', re.S) results = re.finditer(pattern, content)

re.sub

用于替换字符串中的匹配项

找出连续4个数字，替换为hello welcome

1
2
3

content = '2005-2018 douban.com, all rights reserved 北京豆网科技有限公司'
result = re.sub('\d{4}', 'hello welcome', content, 1)
print(result)

输出结果为

1	> hello welcome-2018 douban.com, all rights reserved 北京豆网科技有限公司

1表示匹配一次，所以只有2005替换了

参数默认为0，表示符合条件的，全部替换

替换括号内的内容

1 2	result = re.sub('(\d{4})-(\d{4})', r'\2 welcome', content) print(result)

输出结果为:

1	> 2018 welcome douban.com, all rights reserved 北京豆网科技有限公司

按照括号顺序，可以将匹配内容调用到替换内容中, eg. r'\2 ...'