式的處理與應(yīng)用)
前言常被我們稱作正則表達(dá)式褲的re庫, 是借助一種形式化語法去描繪的文本匹配樣式的庫。經(jīng)由這個庫, 能夠匹配特定字符串里頭的某些內(nèi)容, 像是拿它爬取網(wǎng)頁內(nèi)容時(shí), 可依靠re庫取得網(wǎng)頁內(nèi)容內(nèi)的全部標(biāo)簽內(nèi)容。本篇將詳細(xì)講解re庫的使用規(guī)則。查找文本比如說, 于一串字符串形式的文本里頭, 咱們要去查找一個子字符串是不是在那個字符串當(dāng)中, 并且返回它確切的位置索引, 這該如何去做呢?import re content My name is Li Yuanjing pattern name match re.search(pattern, content) print(match.start()) print(match.end())運(yùn)行之后效果如下在這兒, 我們借助re.()函數(shù)去查找字符串是不是在那字符串之內(nèi)。能夠瞧見, 它返回了字符串于字符串里的起始索引以及結(jié)束索引的所在位置。多重匹配然而, 于平常的項(xiàng)目當(dāng)中, 常常并非僅僅存有一個匹配結(jié)果, 或許偶爾會出現(xiàn)多個匹配結(jié)果。在這個時(shí)候, 我們得運(yùn)用re.()函數(shù)來達(dá)成多重匹配。import re content asasssasasasaaasasasasssasasa pattern sa for match in re.findall(pattern, content): print(match)運(yùn)行之后效果如下這里, 我們進(jìn)行了11個的匹配。然而, 在這里返回的是match字符串, 并非如同上面一個所返回的那種Match示例。那么, 我當(dāng)下想要獲取所有多重匹配結(jié)果的索引位置, 該如何去做呢?import re content asasssasasasaaasasasasssasasa pattern sa for match in re.finditer(pattern, content): print(match.start(),match.end())運(yùn)行之后效果如下運(yùn)行re.()函數(shù)所返回的, 是一個迭代器, 這個迭代器會生成Match實(shí)例。元字符錨定碼猶如上面那樣的一個字符串, 其中存在多個子字符串, 借助匹配必然會返回多個結(jié)果。此刻, 我們存有一個需求, 不論字符串里有多個匹配結(jié)果, 我們僅僅需要首個, 該如何去操作呢?固然, 在此處我們依舊能夠像上面那代碼一樣先尋覓全部, 接著選取首個便可。然而實(shí)際上我們能夠借助元字符一步達(dá)成。首先, 我們先來瞧瞧元字符都有什么?元字符含義表示匹配任意一個字符除了換行符表示從字符串開頭開始匹配表示從字符串末尾開始匹配表示匹配某個字符匹配0到無窮次表示匹配某個字符匹配1到無窮次表示匹配某個字符匹配0或1次{}表示匹配某個字符匹配任意次對于“為或”的意思, 去匹配其中任意一項(xiàng), 在那里面, 除去了“-”、“\”以及“^”, 不存在其他特殊符號。\A字符串開頭\Z字符串末尾\b單詞開頭或末尾的空串\B不在單詞開頭或末尾的空串接下來, 我們要達(dá)成從終了方向進(jìn)行匹配, 僅僅匹配出單單一個結(jié)果的操作。具體的代碼是像下面這樣呈現(xiàn)的:import re content name123name321name213name321name123 print(len(content)) for match in re.finditer(123$, content): print(match.start(), match.end()) print(re.findall(name*, content)) print(re.findall(name, content)) print(re.findall(name?, content)) print(re.findall(name{5}, content)) print(re.findall(name{1,5}, content)) print(re.findall(name[12], content))運(yùn)行之后效果如下轉(zhuǎn)義碼有別于元字符, 我們能夠借由轉(zhuǎn)義碼用以匹配特定的符號, 當(dāng)中例如前之元字符僅能匹配后續(xù)存在多少個字符, 然而卻無法區(qū)分?jǐn)?shù)字或者字母等別的內(nèi)容。接下來, 我們?nèi)デ魄普齽t表達(dá)式里常用的轉(zhuǎn)義碼。轉(zhuǎn)義碼含義\d匹配數(shù)字\D匹配非數(shù)字\s匹配空白符制表符空格換行等\S匹配非空白符\w字母數(shù)字\W非字母數(shù)字這里我們來分別匹配看看效果具體代碼如下所示import re content name 123 print(re.findall(\d, content)) print(re.findall(\D, content)) print(re.findall(\s, content)) print(re.findall(\S, content)) print(re.findall(\w, content)) print(re.findall(\W, content)) #結(jié)合前面元字符可以實(shí)現(xiàn)貪婪匹配 print(re.findall(\w*, content))運(yùn)行之后效果如下()換個時(shí)候, 我們并非要于字符串里找出某些規(guī)則的子集。而是得判定某些字符串是不是郵箱, 或者是不是電話之類。這時(shí)候, 就要使整個字符串和模式匹配, re庫給出了()函數(shù)用來進(jìn)行整個模式的匹配。import re content liyuanjinglyj163.com pattern ^[A-Za-z0-9\u4e00-\u9fa5][a-zA-Z0-9_-](\.[a-zA-Z0-9_-])$ s re.fullmatch(pattern, content) if s is None: print(字符串不是郵箱) else: print(字符串是郵箱)編譯表達(dá)式雖說, 借由上面那種方式來做re庫的運(yùn)用能夠達(dá)成字符串的匹配, 然而對于程序頻繁用到的表達(dá)式來講 的話, 將它們編譯會更具效率。()函數(shù)能夠把一個表達(dá)式字符串給轉(zhuǎn)變?yōu)橛糜?。具體代碼如下:import re content liyuanjinglyj163.com pattern ^[A-Za-z0-9\u4e00-\u9fa5][a-zA-Z0-9_-](\.[a-zA-Z0-9_-])$ regex re.compile(pattern) s regex.search(content) print(s[0])組解析匹配于上述郵箱匹配當(dāng)中, 我們能夠借由編譯表達(dá)式去判定郵箱字符串是不是全然匹配。然而, 此刻倘若我們有一個更為龐大的需求, 也就是說要獲取郵箱的域名, 以及用戶名。很明顯上述的知識僅僅能夠匹配整個字符串, 或者分別創(chuàng)建兩個來予以匹配。這般常常極為耗費(fèi)時(shí)間, 并且還提升了代碼的冗余程度。故而, 咱們要諳熟re庫的組解析匹配。具體代碼示例為這樣子:import re content liyuanjinglyj163.com pattern ^([A-Za-z0-9\u4e00-\u9fa5])([a-zA-Z0-9_-](\.[a-zA-Z0-9_-]))$ regex re.compile(pattern) match regex.search(content) print(match.groups()) print(郵箱的用戶名, match.group(1)) print(郵箱的域名為, match.group(2))運(yùn)行之后效果如下能夠瞧見, 組匹配實(shí)際上也就是把進(jìn)行匹配的規(guī)則字符串借由“”規(guī)定成一組。然而, 要留意的是, 在這兒match.(0)并非是上面所呈現(xiàn)的首個字符串“”, 而是完整的字符串結(jié)果。簡單來講, match.(0)是全部匹配的字符串, 從match.(1)著手才是運(yùn)用()分組的解析內(nèi)容。搜索選項(xiàng)大小寫無關(guān)匹配基于上面所進(jìn)行的學(xué)習(xí), 我們都已然清楚, 只要于其中輸入除去規(guī)則所運(yùn)用到的字符之外者, 那么必然就須去匹配此字符, 然而實(shí)際上pile()函數(shù)存有另外一個參數(shù), 對該參數(shù)予以設(shè)置能夠?qū)⒁欢ǖ囊?guī)則忽略掉。舉例而言, 于其中輸入大寫形式的字母“T”, 那么毫無疑義其小寫形式便不會被匹配, 可是博主乃是想要去匹配大寫與小寫, 該如何是好呢?憑借前文所具備的知識, 我們能夠運(yùn)用或者開展操作。然而在學(xué)習(xí)了pile()函數(shù)的另外一項(xiàng)參數(shù)之后, 我們單單只需對該參數(shù)予以設(shè)置便可, 具體的代碼如下述這樣:import re content This text pattern rT\w regex re.compile(pattern, re.IGNORECASE) match regex.findall(content) print(match)運(yùn)行之后效果如下感興趣的可以刪除re.參數(shù)看看是不是只有This。其他匹配規(guī)則把大小寫匹配排除在外, 另外, pile()函數(shù)給出了別的參數(shù), 情況如下表所呈現(xiàn)的那樣:參數(shù)含義re.re.I忽略大小寫匹配re.re.M多行匹配比如有末尾符號$它就會匹配每一行的末尾re.ASCIIre.A使\w, \W, \b, \B, \d, \D, \s以及\S實(shí)行ASCII, 只進(jìn)行完整匹配的替代。這僅僅針對模式具備意義, 對于字節(jié)模式而言會被忽略。re.re.S讓特殊字符‘.’與任意字符相匹配, 這里的任意字符包括換行符若沒有這個標(biāo)志, 那么‘.’就只會匹配除換行符之外的任何內(nèi)容。re.re.X為了讓字符串可讀性更高, 程序員用于標(biāo)記注釋的方式, 與代碼注釋規(guī)則一樣, 比如在字符串中標(biāo)注注釋, 使用該參數(shù)進(jìn)行匹配時(shí), 這些注釋會被忽略。前后向斷言在網(wǎng)頁爬蟲里頭, 要是我們想要匹配鏈接的標(biāo)簽, 通常都是成對地呈現(xiàn)出來才會去進(jìn)行匹配。因此, 在這個時(shí)候, 唯有兩個尖括號都現(xiàn)身或者都不現(xiàn)身的時(shí)候表達(dá)式才能夠匹配。前向斷言語法為(?)import re contents [ aaa?編輯?編輯 re：Python中正則表達(dá)式的處理與應(yīng)用
前言常被我們稱作正則表達(dá)式褲的re庫, 是借助一種形式化語法去描繪的文本匹配樣式的庫。經(jīng)由這個庫, 能夠匹配特定字符串里頭的某些內(nèi)容, 像是拿它爬取網(wǎng)頁內(nèi)容時(shí), 可依靠re庫取得網(wǎng)頁內(nèi)容內(nèi)的全部標(biāo)簽內(nèi)容。本篇將詳細(xì)講解re庫的使用規(guī)則。查找文本比如說, 于一串字符串形式的文本里頭, 咱們要去查找一個子字符串是不是在那個字符串當(dāng)中, 并且返回它確切的位置索引, 這該如何去做呢?import re content My name is Li Yuanjing pattern name match re.search(pattern, content) print(match.start()) print(match.end())運(yùn)行之后效果如下在這兒, 我們借助re.()函數(shù)去查找字符串是不是在那字符串之內(nèi)。能夠瞧見, 它返回了字符串于字符串里的起始索引以及結(jié)束索引的所在位置。多重匹配然而, 于平常的項(xiàng)目當(dāng)中, 常常并非僅僅存有一個匹配結(jié)果, 或許偶爾會出現(xiàn)多個匹配結(jié)果。在這個時(shí)候, 我們得運(yùn)用re.()函數(shù)來達(dá)成多重匹配。import re content asasssasasasaaasasasasssasasa pattern sa for match in re.findall(pattern, content): print(match)運(yùn)行之后效果如下這里, 我們進(jìn)行了11個的匹配。然而, 在這里返回的是match字符串, 并非如同上面一個所返回的那種Match示例。那么, 我當(dāng)下想要獲取所有多重匹配結(jié)果的索引位置, 該如何去做呢?import re content asasssasasasaaasasasasssasasa pattern sa for match in re.finditer(pattern, content): print(match.start(),match.end())運(yùn)行之后效果如下運(yùn)行re.()函數(shù)所返回的, 是一個迭代器, 這個迭代器會生成Match實(shí)例。元字符錨定碼猶如上面那樣的一個字符串, 其中存在多個子字符串, 借助匹配必然會返回多個結(jié)果。此刻, 我們存有一個需求, 不論字符串里有多個匹配結(jié)果, 我們僅僅需要首個, 該如何去操作呢?固然, 在此處我們依舊能夠像上面那代碼一樣先尋覓全部, 接著選取首個便可。然而實(shí)際上我們能夠借助元字符一步達(dá)成。首先, 我們先來瞧瞧元字符都有什么?元字符含義表示匹配任意一個字符除了換行符表示從字符串開頭開始匹配表示從字符串末尾開始匹配表示匹配某個字符匹配0到無窮次表示匹配某個字符匹配1到無窮次表示匹配某個字符匹配0或1次{}表示匹配某個字符匹配任意次對于“為或”的意思, 去匹配其中任意一項(xiàng), 在那里面, 除去了“-”、“\”以及“^”, 不存在其他特殊符號。\A字符串開頭\Z字符串末尾\b單詞開頭或末尾的空串\B不在單詞開頭或末尾的空串接下來, 我們要達(dá)成從終了方向進(jìn)行匹配, 僅僅匹配出單單一個結(jié)果的操作。具體的代碼是像下面這樣呈現(xiàn)的:import re content name123name321name213name321name123 print(len(content)) for match in re.finditer(123$, content): print(match.start(), match.end()) print(re.findall(name*, content)) print(re.findall(name, content)) print(re.findall(name?, content)) print(re.findall(name{5}, content)) print(re.findall(name{1,5}, content)) print(re.findall(name[12], content))運(yùn)行之后效果如下轉(zhuǎn)義碼有別于元字符, 我們能夠借由轉(zhuǎn)義碼用以匹配特定的符號, 當(dāng)中例如前之元字符僅能匹配后續(xù)存在多少個字符, 然而卻無法區(qū)分?jǐn)?shù)字或者字母等別的內(nèi)容。接下來, 我們?nèi)デ魄普齽t表達(dá)式里常用的轉(zhuǎn)義碼。轉(zhuǎn)義碼含義\d匹配數(shù)字\D匹配非數(shù)字\s匹配空白符制表符空格換行等\S匹配非空白符\w字母數(shù)字\W非字母數(shù)字這里我們來分別匹配看看效果具體代碼如下所示import re content name 123 print(re.findall(\d, content)) print(re.findall(\D, content)) print(re.findall(\s, content)) print(re.findall(\S, content)) print(re.findall(\w, content)) print(re.findall(\W, content)) #結(jié)合前面元字符可以實(shí)現(xiàn)貪婪匹配 print(re.findall(\w*, content))運(yùn)行之后效果如下()換個時(shí)候, 我們并非要于字符串里找出某些規(guī)則的子集。而是得判定某些字符串是不是郵箱, 或者是不是電話之類。這時(shí)候, 就要使整個字符串和模式匹配, re庫給出了()函數(shù)用來進(jìn)行整個模式的匹配。import re content liyuanjinglyj163.com pattern ^[A-Za-z0-9\u4e00-\u9fa5][a-zA-Z0-9_-](\.[a-zA-Z0-9_-])$ s re.fullmatch(pattern, content) if s is None: print(字符串不是郵箱) else: print(字符串是郵箱)編譯表達(dá)式雖說, 借由上面那種方式來做re庫的運(yùn)用能夠達(dá)成字符串的匹配, 然而對于程序頻繁用到的表達(dá)式來講 的話, 將它們編譯會更具效率。()函數(shù)能夠把一個表達(dá)式字符串給轉(zhuǎn)變?yōu)橛糜?。具體代碼如下:import re content liyuanjinglyj163.com pattern ^[A-Za-z0-9\u4e00-\u9fa5][a-zA-Z0-9_-](\.[a-zA-Z0-9_-])$ regex re.compile(pattern) s regex.search(content) print(s[0])組解析匹配于上述郵箱匹配當(dāng)中, 我們能夠借由編譯表達(dá)式去判定郵箱字符串是不是全然匹配。然而, 此刻倘若我們有一個更為龐大的需求, 也就是說要獲取郵箱的域名, 以及用戶名。很明顯上述的知識僅僅能夠匹配整個字符串, 或者分別創(chuàng)建兩個來予以匹配。這般常常極為耗費(fèi)時(shí)間, 并且還提升了代碼的冗余程度。故而, 咱們要諳熟re庫的組解析匹配。具體代碼示例為這樣子:import re content liyuanjinglyj163.com pattern ^([A-Za-z0-9\u4e00-\u9fa5])([a-zA-Z0-9_-](\.[a-zA-Z0-9_-]))$ regex re.compile(pattern) match regex.search(content) print(match.groups()) print(郵箱的用戶名, match.group(1)) print(郵箱的域名為, match.group(2))運(yùn)行之后效果如下能夠瞧見, 組匹配實(shí)際上也就是把進(jìn)行匹配的規(guī)則字符串借由“”規(guī)定成一組。然而, 要留意的是, 在這兒match.(0)并非是上面所呈現(xiàn)的首個字符串“”, 而是完整的字符串結(jié)果。簡單來講, match.(0)是全部匹配的字符串, 從match.(1)著手才是運(yùn)用()分組的解析內(nèi)容。搜索選項(xiàng)大小寫無關(guān)匹配基于上面所進(jìn)行的學(xué)習(xí), 我們都已然清楚, 只要于其中輸入除去規(guī)則所運(yùn)用到的字符之外者, 那么必然就須去匹配此字符, 然而實(shí)際上pile()函數(shù)存有另外一個參數(shù), 對該參數(shù)予以設(shè)置能夠?qū)⒁欢ǖ囊?guī)則忽略掉。舉例而言, 于其中輸入大寫形式的字母“T”, 那么毫無疑義其小寫形式便不會被匹配, 可是博主乃是想要去匹配大寫與小寫, 該如何是好呢?憑借前文所具備的知識, 我們能夠運(yùn)用或者開展操作。然而在學(xué)習(xí)了pile()函數(shù)的另外一項(xiàng)參數(shù)之后, 我們單單只需對該參數(shù)予以設(shè)置便可, 具體的代碼如下述這樣:import re content This text pattern rT\w regex re.compile(pattern, re.IGNORECASE) match regex.findall(content) print(match)運(yùn)行之后效果如下感興趣的可以刪除re.參數(shù)看看是不是只有This。其他匹配規(guī)則把大小寫匹配排除在外, 另外, pile()函數(shù)給出了別的參數(shù), 情況如下表所呈現(xiàn)的那樣:參數(shù)含義re.re.I忽略大小寫匹配re.re.M多行匹配比如有末尾符號$它就會匹配每一行的末尾re.ASCIIre.A使\w, \W, \b, \B, \d, \D, \s以及\S實(shí)行ASCII, 只進(jìn)行完整匹配的替代。這僅僅針對模式具備意義, 對于字節(jié)模式而言會被忽略。re.re.S讓特殊字符‘.’與任意字符相匹配, 這里的任意字符包括換行符若沒有這個標(biāo)志, 那么‘.’就只會匹配除換行符之外的任何內(nèi)容。re.re.X為了讓字符串可讀性更高, 程序員用于標(biāo)記注釋的方式, 與代碼注釋規(guī)則一樣, 比如在字符串中標(biāo)注注釋, 使用該參數(shù)進(jìn)行匹配時(shí), 這些注釋會被忽略。前后向斷言在網(wǎng)頁爬蟲里頭, 要是我們想要匹配鏈接的標(biāo)簽, 通常都是成對地呈現(xiàn)出來才會去進(jìn)行匹配。因此, 在這個時(shí)候, 唯有兩個尖括號都現(xiàn)身或者都不現(xiàn)身的時(shí)候表達(dá)式才能夠匹配。前向斷言語法為(?)import re contents [ aaa?編輯?編輯