正则表达式re

文章目录

• ​​1. 正则字符​​
• ​​2. 提取函数​​

• ​​re.findall​​
• ​​re.compile​​
• ​​re.match和 re.search​​
• ​​re.split()​​
• ​​re.escape()​​

• ​​练习1​​
• ​​练习2​​
• ​​练习3​​
• ​​练习4-批量替换​​

1. 正则字符

字符	含义
​​.​​	代表除换行符以外的任何一个字符，可以用很多替代​​[\S\s]​​​ ​​[\W\w]​​
​​*​​	代表它前面的一个子表达式0次到无限次
​​?​​	表示它前面的子表达式0次或1次
​​+​​	匹配前面的子表达式1次或多次
​​\​​	反斜杠把特殊字符变成普通符号如：\n换行符 \t制表符 \普通的反斜杠 '单引号 \d数字
​​()​​	可以把括号里面的内容提取出来
​​[]​​	集合字符，例如​​[a-zA-Z]​​
​​|​​	表示或，​​[a-zA-Z]|[0-9]​​​ 表示满足数字或字母就可以匹配，这个规则等价于 ​​[a-zA-Z0-9]​​。
​​^ $​​	匹配字符串开头和结尾，在​​“[]”​​​内时含义不同，​​“[^]”​​​匹配集合之外的元素。匹配函数都有个​​flags​​​参数，当加上​​re.M​​表示多行匹配行首或行尾
​​.*?​​	爬虫开发常用字符组合，表示匹配一个能满足要求的最短字符串，这与​​.*​​​相对，通常，给定一个条件例如字符串为“密码是：123，密码是：456”，如果采用​​“密码是：(.*)”​​​，提取的是​​“123，密码是：456”​​​，而采用​​密码是：(.*?)​​，提取的则是[“123”,“456”] 两个数据
​​\S​​	匹配任何非空白字符。就是 \s 取非。如果设置了 ASCII 标志，就相当于 [^ \t\n\r\f\v]，​​^​​在集合内表示取反
​​\s​​	匹配任何Unicode空白字符，包括 [ \t\n\r\f\v]
​​\w​​	字母数字下划线 [a-zA-Z0-9_]
​​\W​​	字母数字下划线以外的字符 [^a-zA-Z0-9_]
​​[\u4e00-\u9fa5]​​	匹配所有的汉字 （py2里 ​​[一-龥]​​匹配所有的汉字）
​​（）〈〉《》「」『』﹃﹄〔〕…—～﹏￥、【】，。？！：；“”‘​​	中文标点符号

2. 提取函数

re.findall

​​re.findall​​返回匹配值的列表

s = ‘I have a dog , I have a cat’
re.findall( r’I have a (?:dog|cat)’ , s )
['I have a dog', 'I have a cat']

re.compile

​​compile(pattern, flags=0)​​第一个参数是字符串规则，第二个参数flags是匹配模式。返回一个模式对象
结合上面的​​​re.findall()​​

import re  
s = "adfad asdfasdf asdfas asdfawef asd adsfas "  
 
reObj1 = re.compile('((\w+)\s+\w+)')  
reObj1.findall(s)  
[('adfad asdfasdf', 'adfad'), ('asdfas asdfawef', 'asdfas'), ('asd adsfas', 'asd')]  
 
reObj2 = re.compile('(\w+)\s+\w+')  
reObj2.findall(s)  
['adfad', 'asdfas', 'asd']  
 
reObj3 = re.compile('\w+\s+\w+')  
reObj3.findall(s)  
['adfad asdfasdf', 'asdfas asdfawef', 'asd adsfas']

​​pattern​​对象还可以用于split多字符分割字符串

split_re = re.compile(r'&|\-|\+')
split_re.split('a&b&c-d-1+2+3')
['a', 'b', 'c', 'd', '1', '2', '3']

re.match和 re.search

​​match​​​从字符串的开头开始匹配，如果开头位置没有匹配成功，就算失败了；而​​search​​​会跳过开头，继续向后寻找是否有匹配的字符串。根据需要，可以灵活使用这两个函数。
search简单实用

x = re.search(r'(www)(\.r)', 'www.runoob.comwww')
x.group()
>>'www.r'
x.group(1)
>>'www'
x.group(2)
>>'.r'
x.groups()
>>('www', '.r')
# 返回匹配的位置,如果返回None，span会报错
re.search(r'(www)', 'www.runoob.comwww').span()
>>(0, 3)

s= 'Tom:9527 , Sharry:03'
m=re.match( r'(?P<name>\w+):(?P<num>\d+)', s)
m.group()
m.groups()
m.group(‘name’)
# 可以给数字加个字数限定
m=re.match( r'(?P<name>\w+):(?P<num>\d{4,})', s) # 表示匹配至少4个数字

用search提取指定的字符串，并做转换。这里是将url的文字部分转码成ASCII用于访问链接（quote是一个转换函数）

url = 'http://baike.baidu.com/item/秒懂大师说'
m = re.search(r'(.*?/item/)(.*)',url) 
url = m.group(1)+quote(m.group(2))

re.split()

​​re.split​​​按集合里的任意字符拆分
直接上一个复杂点的例子吧，前面学到​​​^​​​在​​[]​​中表示取非，则下面表示用除了汉子和字母数字以外的字符切分字符串s

s = "看上去很完美——计算量少了，功能更强了。实际效果如何呢？"
l = re.split('[^\u4e00-\u9fa50-9a-zA-Z]+', s)
>> ['看上去很完美', '计算量少了', '功能更强了', '实际效果如何呢', '']
re.split('([^\u4e00-\u9fa50-9a-zA-Z]+)', s)  # 加括号保留分隔符
>> ['看上去很完美', '——', '计算量少了', '，', '功能更强了', '。', '实际效果如何呢', '？', '']

​​Python 中re.split()方法​​

re.escape()

因为有的时候我们需要使用一些特殊符号如”$ * . ^”等的原意，一个个转义字符很繁琐，​​re.escape()​​可以对字符串中所有可能被解释为正则运算符的字符进行转义。

re.escape('www.python.org')
'www\\.python\\.org'

这里举个例子，匹配一段文本的字符串并替换成指定的内容

def asr_to_correct(text):
    rep = dict((re.escape(k), v) for k, v in error_asr_map.items())
    pattern = re.compile("|".join(rep.keys()))
    text = pattern.sub(lambda m: rep[re.escape(m.group(0))], text)
    return text

​​python正则表达式 re （二）escape​​正则实现对一段文本同时匹配多个字符串

练习1

s =“1113446777”
用正则表达式把s分为1111, 3, 44, 6, 777
尝试re.findall()，发现不可行，search只会匹配第一次，所以也不可行

re.findall(r'(\d)\1*',s)
>> ['1', '3', '4', '6', '7']

m=re.finditer(r'(\d)\1*',s)
for i in m:
    print(i.group())
>>
111
3
44
6
777

原理是什么我也不清楚，只是偶然看到
​Python中re的match、search、findall、finditer区别​​

练习2

这里假定给出一段贴吧源代码，我们想要提取其中的用户名、回复内容和回复时间。我们找到每一个楼层的开始代码为’l_post l_post_bright j_l_post clearfix’，结束代码为’p_props_tail props_appraise_wrap’

every_reply = re.findall('l_post l_post_bright j_l_post clearfix "(.*?)p_props_tail props_appraise_wrap',source,re.S) # re.S忽略换行符
for each in every_reply:
  result = {}
  result["username"] = re.findall('username="(.*?)"',each,re.S)[0]
  result["content"] = re.findall('j_d_post_content ">(>*?)<"',each,re.S)[0].replace('     ','')
  result["reply_time"] = re.findall('class="tail-info">(2017.*?)<',each,re.S)[0]

练习3

​​re.sub​​替换匹配的一部分，替换多个标点符号，只保留第一个标点符号。

# 保留第一个捕获组，后面为''
re.sub(u'([？。！，])([？，。！]{1,})', u'\\1', u'？。！，。？')

u'？'

练习4-批量替换

替换英文字符为中文字符

>>>s = '你好,欢迎回家！?'
>>>l = ['\?','\!','\,','\.']
>>>d = {',':'，','!':'！','?':'？', '.':'。'}
>>>re.sub(rf"({'|'.join(l)})", lambda mo: d[mo.group(1)], s)
'你好，欢迎回家！？'

参考
​​python正则表达式匹配 模式匹配​​Python 正则表达式验证浮点数
​​regex-如何用python re.sub只替换部分匹配​​pythonlambda函数替换列表,Python：使用re.sub替换列表中的多个特定单词