开源中国提供的正则表达式测试工具点我!

1.正则表达式RE

(1)为什么使用?
因为很多重要信息隐藏在复杂的文本中,RE可以找到哦!
(2)是什么?
从文本中定位需求内容的技术/规则
(3)怎么做?
见下:

(1)方法:

1.代码演示:

import re

str="网络爬虫大hEllo声告1231诉的433根深345蒂固7789网allen.时光飞逝股嘛份的嘛\n广泛嘛地吧自动安排"

################################第一部分:字符
#普通字符
#1.匹配规则:每个普通字符匹配其对应的字符
print(re.findall("自动",str))         #输出为:['自动']
# 拓展:匹配字符串中的.
print(re.findall("\.",str))           #输出为:['.']

#或关系   元字符:|
#2.匹配规则:匹配|两侧任意的正则表达式即可
print(re.findall("网|嘛",str))         #输出为:['网', '网', '嘛', '嘛']

#元字符  .
#3.匹配规则:匹配除换行外的任意一个字符
print(re.findall("嘛.",str))         #输出为:['嘛份', '嘛地']
print(re.findall("嘛.",str,re.S))    #输出为:['嘛份', '嘛\n', '嘛地']
# 注意:正则表达式中, re.S的作用:
# “.”的作用是匹配除“\n”以外的任何字符,也就是说,它是在一行中进行匹配。这里的“行”是以“\n”进行区分的。
# 如果不使用re.S参数,则只在每一行内进行匹配,如果一行没有,就换下一行重新开始,不会跨行。
# 而使用re.S参数以后,正则表达式会将这个字符串作为一个整体,将“\n”当做一个普通的字符加入到这个字符串中,在整体中进行匹配。

print("第二部分:字符集","*"*50)
#####################################第二部分:字符集
#元字符:  [字符集]
#4.匹配规则:匹配字符集中的任意一个字符       [0-9],[a-z],[A-Z]
print(re.findall("[大的时光]",str))         #输出为:['大', '的', '时', '光', '的']
print(re.findall("[0123456789]",str))       #输出为:['1', '2', '3', '1', '4', '3', '3', '3', '4', '5', '7', '7', '8', '9']
#拓展:{}可以选择数量:{4}表示选择四个在一起的;{m,n}表示匹配m次到n次的。
print(re.findall("[0123456789]{2}",str))     #输出为:['12', '31', '43', '34', '77', '89']
print(re.findall("[a-zA-Z]{5}",str))         #输出为:['hEllo', 'allen']

print("第三部分:常用","*"*50)
###################################第三部分:常用
#元字符:^
#匹配规则:匹配目标字符串的开头位置
print(re.findall("^hEllo","hEllodfdff"))        #不管hEllo后面是什么样的,只要开头符合就可匹配到

#元字符: $s
#匹配规则:匹配目标字符串的结尾位置
print(re.findall("hEllo$","sdfsdfsdfdfhEllo"))  #不管hEllo前面是什么,只要结尾符合就可匹配到

#匹配字符重复
#元字符  *
#匹配规则:匹配前面的字符出现0次或多次
print(re.findall("wo*","wooooooooo#$#w>>"))        #输出为:['wooooooooo', 'w']

#元字符  +
#匹配规则:匹配前面的字符出现1次或多次
print(re.findall("wo+","wooooooooo#$#w>>"))         #输出为:['wooooooooo']

#元字符  ?
#匹配规则:匹配前面的字符出现0次或1次
print(re.findall("wo?","wooooooooo#$#w>"))          #输出为:['wo', 'w']

#元字符  {n}
#匹配规则:匹配前面的字符出现n次
print(re.findall('1[0-9]{10}',"Jame:15659264582bir200001110052"))       #输出为:['15659264582']

#元字符  {m,n}
#匹配规则:匹配前面的字符出现m-n次
print(re.findall('[0-9]{5,10}',"Broon:095594 660956780"))

#匹配任意(非)数字字符
#元字符:   \d   \D
#匹配规则:\d匹配任意数字字符    \D匹配任意非数字字符
print(re.findall("\d{2,4}","Mysql:3306,http:88"))

#匹配任意(非)普通字符
#元字符  \w  \W
#匹配规则:\w匹配普通字符    \W匹配非普通字符
#说明:普通字符指数字,字母,下划线,汉子
print(re.findall("\w+","路灯serve=? #8888"))

#匹配任意(非)空字符
#元字符:  \s  \S
#匹配规则:\s匹配空格符   \S匹配非空字符
#说明:空字符指 空格 \r \n \t \v \f字符
print(re.findall("\w\S+\w+","hello \r \n \t\f  word"))

#匹配开头结尾位置
#元字符:\A  \Z
#匹配规则:\A表示开头位置,或者^   \Z表示结尾位置,或者$
print(re.findall("^h.....","hello path"))
print(re.findall("\Ah.....","hello path"))
print(re.findall(".h\Z","sddfh"))
print(re.findall(".h$","sddfh"))

#匹配(非)单词的边界位置
#元字符:\b   \B
#规则:\b表示单词边界  \B表示非单词边界
#说明:单词边界指数字字母(汉子)下划线与其他字符的交界位置
print(re.findall(r'\ba',"The a is asb"))


2.代码输出:

在这里插入图片描述
在这里插入图片描述

3.小总结:

在这里插入图片描述

4.正则表达式的转义:

在这里插入图片描述

5.贪婪模式和非贪婪模式:

1.定义:
贪婪模式:默认情况下,匹配重复的元字符总是尽可能多的向后匹配内容,比如:*+。
非贪婪模式(懒惰模式):让匹配重复的元字符尽可能少的向后匹配内容。
2.贪婪模式转换为非贪婪模式
在匹配重复元字符后加"?"即可

在这里插入图片描述

举例讲解二者区别:
使用通用匹配.*时,有时候匹配到的可能并不是我们想要的结果!如下:

import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^Hello.*(\d+).*World', content)

print(result)
print(result.group(1))
我们依然想获取中间的数字,所以中间依然写的是(\d+)。数字两侧内容杂乱,所以直接使用.*。最后,
组成^Hello.*(\d+).*World,看样子都OK,下面看运行结果:

在这里插入图片描述
我们只得到了数字7,分析: 此处就涉及到了一个贪婪匹配和非贪婪匹配的问题!在贪婪模式下,.*会匹配尽可能多的字符。正则表达式中.*后面是\d+,也就是至少一个数字,但并没有指定具体多少个数字,因此,.*就尽可能匹配多的字符,这里就把123456都匹配了,给\d+留下一个可满足条件的数字7,最后内容就只剩下数字7了! 但这很明显会给我们带来很大的不便,有时候,匹配结果会莫名其妙的少了一部分的内容。其实,只要使用非贪婪模式就可以解决这个问题。非贪婪匹配的写法是.*?,多了一个?。

import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^Hello.*?(\d+).*World', content)

print(result)
print(result.group(1))

在这里插入图片描述

此时就可以成功获取1234567了。分析:贪婪匹配是尽可能匹配多的字符,非贪婪匹配就是尽可能匹配少的字符。
当.*?匹配到Hello后面的空白字符时,再后面就是数字了,而\d+恰好可以匹配,那么这里.*?就不再进行匹配,
交给\d+去匹配后面的数字了。所以这样,.*?就匹配了尽可能少的字符,\d+的结果就是1234567了!

所以:在做匹配的时候,字符串中间尽量使用非贪婪匹配,以免出现匹配结果缺失的情况!!!
但是需要注意,如果匹配的结果在字符串结尾,.*?就有可能匹配不到任何内容了,因为它会匹配尽可能少的字符。例如:
import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^Hello.*?Regex\s(.*?)', content)
result2 = re.match('^Hello.*?Regex\s(.*)', content)


print(result.group(1))
print(result2.group(1))

在这里插入图片描述

(2)函数:

小讲解:修饰符!
正则表达式还包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。

import re

content = """Hello 1234567 World_This is 
a Regex Demo"""
result = re.match('^Hello.*?(\d+).*?Demo$', content)

print(result.group(1))

我们在字符串中加入换行符,正则表达式也OK,用来匹配字符串中的数字。会发现报错!

在这里插入图片描述
也就是正则表达式没有匹配到这个字符串,返回结果是None,而我们又调用了方法group(),所以导致AttributeError。
分析:为何加入一个换行符就匹配不到了呢?这是因为.匹配的是除了换行符之外的任意字符,当遇到换行符的时候,它就不行了,这里只需要加入一个修饰符re.S即可修正这个错误!

import re

content = """Hello 1234567 World_This is 
a Regex Demo"""
result = re.match('^Hello.*?(\d+).*?Demo$', content, re.S)

print(result.group(1))

在这里插入图片描述
此修饰符的作用是使.匹配包括换行符在内的所有字符!

在这里插入图片描述

1.re.findall(pattern,string,flags=0)

(1)功能:根据正则表达式匹配所有目标字符串内容
(2)参数:pattern正则表达式
string目标字符串
flags功能标志位,扩展正则表达式的匹配
(3)返回值:匹配到的内容列表,如果正则表达式有子组织,只能获取到子组对应的内容。

import re

res_style = "'Date': 'Thu, 16 Apr 2020 03:53:52 GMT', 'Content-Type': 'application/json', 'Content-Length': '308', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true'"
print(re.findall( "'Content-Length': '(.*?)'",res_style,re.S))          #注意:匹配到的内容放在了列表里
print(re.findall( "'Content-Length': '(.*?)'",res_style,re.S)[0])       #从列表中拿到匹配到的内容

在这里插入图片描述

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

第一部分:
位置限制
(1)功能:匹配某个目标字符串开始位置
(2)参数:pattern正则表达式
string目标字符串
(3)返回值:匹配内容match object

print(re.match('www','www.baidu.com'))
print(re.match('www','http://www.baidu.com'))       #注意:不在开头拿不到!
print(re.match('www','www.baidu.com').group())

在这里插入图片描述

小拓展:
span()方法可以输出匹配的范围(注意是匹配到的结果字符串在原字符串中的位置范围!);
group()方法可以输出匹配到的内容!

第二部分:
上面可以得到匹配到的字符串内容,但是如果想从字符串中提取一部分内容,该如何做?
这里可以使用()括号将想要提取的子字符串括起来。()实际上标记了一个子表达式的开始和结束位置,被标记的每个子表达式会依此对应每一个分组,调用group()方法传入分组的索引即可获取提取的结果!

import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^Hello\s(\d+)\sWorld', content)
print(result)
print(result.group())
print(result.group(1))
print(result.span())

group(1)会输出第一个被()包围的匹配结果,如果正则表达式后面还有()包括的内容,那么可以依此使用group(2),group(3)等来获取;group()会输出完整的匹配结果。

(3)re.search(pattern,string,flags=0)

数量限制
(1)功能:匹配目标字符串第一个符合的内容
(2)参数:pattern正则表达式
string目标字符串
(3)返回值:匹配内容match object

print(re.search('www','www.baidu.com'))
print(re.search('www','www.baidu.com').group())      #只匹配第一个
print(re.search('www','http:// www.baidu.com').group())

在这里插入图片描述

(4)re.sub(pattern,replace,string,max,flags=0)

(1)功能:使用一个字符串替换正则表达式匹配到的内容
(2)参数:pattern正则表达式
replace替换的字符串
string目标字符串
max最多替换几处,默认替换全部
flags功能标志位,扩展正则表达式的匹配
(3)返回值:替换后的字符串

phone = "2004-956-559 # 这是一个国外电话号码"
#删除字符串中的python注释
num = re.sub(r'#.*',"",phone)
print(num)
# 删除非数字(-)的字符串
num2 = re.sub(r'\D',"",phone)
print(num2)

在这里插入图片描述

(4)re.compile(pattern, flags=0):

上述的方法都是用来处理字符串的方法,此方法可以将正则字符串编译成正则表达式对象,以便在后面的匹配中复用。

比如下面有三个日期,我们想要去掉它们里面的时间,可以借助sub()方法,但是如果写三遍正则表达式过于复杂,所以我们可以先将正则表达式编译成一个正则表达式对象,以便下面复用!

import re

content1 = '2016-12-15 12:00'
content2 = '2016-1-12 16:00'
content3 = '2016-6-5 12:30'
pattern = re.compile('\d{2}:\d{2}')

result1 = re.sub(pattern, '', content1)
result2 = re.sub(pattern, '', content2)
result3 = re.sub(pattern, '', content3)

print(result1, result2, result3)

在这里插入图片描述

此外,compile()还可以传入修饰符,例如re.S,这样在search(),findall()的时候就不需要额外传了。可以说compile()方法是给正则表达式做了一层封装!