由于最近需要使用爬虫爬取数据进行测试，所以开始了爬虫的填坑之旅，那么首先就是先系统的学习下关于正则相关的知识啦。所以将下面正则方面的知识点做了个整理。语言环境为Python。主要讲解下Python的Re模块。
下面的语法我就主要列出一部分，剩下的在python官网直接查阅即可： docs.python.org/3/library/r…
一、基础语法总结
1.1、匹配单个字符
a . d D w W s S [...] [^...]
匹配单个字符（.）
规则：匹配除换行之外的任意字符
In [24]: re.findall("f.o","foo is not fao") Out[24]: ['foo', 'fao'] |
匹配任意（非）数字字符（d D）
d [0-9] D [^0-9] |
匹配任意（非）普通字符（w W）
w 普通字符 包括[_0-9A-Za-z]同时也包括汉字
W 非普通字符
匹配任意（非）空字符（s S）
s 匹配任意空字符 [ ]
S 匹配任意非空字符
匹配字符集合（[...]）
[A-Z][a-z][0-9][_123a-z]
匹配字符集（[^...]）
规则：字符集取非，除列出的字符之外的任意一个字符
[^abc] --> 除a b c之外任意字符
1.2、匹配多个字符
* 匹配0次或者多次
+ 匹配1次或者多次
? 匹配0次或者1次
{m} 匹配m次
{m,n} 匹配m次到n次区间内的任意一次
1.3、匹配位置
^ 匹配开始位置
$ 匹配结束位置
A 匹配开始位置
Z 匹配结束位置
匹配单词边界位置（一般用于首字母大写的匹配）
B 匹配非单词边界问题
1.4、转义
在正则表达式中有一类特殊字符需要转移，只需要在特殊字符之间加上 表示转移即可
. * + ? ^ $ [] {} () |
1.5、子组
使用() 可以为正则表达式建立内部分组，子组为正则表达式的一部分，可以看做一个内部整体。
In [61]: re.search(r"(https|http|ftp)://w+.w+.(com|cn)","https://www.baidu.com").group(0) Out[61]: 'https://www.baidu.com' In [62]: re.search(r"(https|http|ftp)://w+.w+.(com|cn)","https://www.baidu.com").group(1) Out[62]: 'https' |
1.6、贪婪模式和非贪婪模式
正则表达式的重复匹配总是尽可能多的向后匹配更多的内容。 贪婪模式包括：* + ? {m,n}
非贪婪模式：尽可能少的匹配内容 贪婪模式转换为非贪婪模式：*? +? ?? {m,n}?
In [106]: re.findall(r"ab+?","abbbbbbbb") Out[106]: ['ab'] In [107]: re.findall(r"ab??","abbbbbbbb") Out[107]: ['a'] |
二、Re模块
接下来我所有函数里面的参数解释如下：
pattern：正则表达式
string：目标字符串
pos：截取目标字符串起始位置
endpose：截取目标字符串结束位置
flags:功能标志
replaceStr：替换的字符串
max：最多替换几处（默认替换全部）
有上图我们看出来，接下来我们要将的Python中re模块、regex对象、match对象三者之间是存在一定关系的。
re模块的compile方法返回一个regex对象
re模块和regex对象的finditer()、fullmatch()、match()、search()等方法返回一个match对象
他们分别有自己的属性和方法
2.1、compile
| regex = re.compile(pattern, flags = 0) # 生成正则表达式对象 |
2.2、findall
| re.findall(pattern,string,pos,endpose) # 从目标字符串中匹配所有符合条件的内容 |
2.3、split
| re.split(pattern,string,flags) #根据正则表达式对目标字符串进行分割 In [79]: re.split(r's+',"Hello World") Out[79]: ['Hello', 'World'] |
2.4、sub
re.sub(pattern,replaceStr,string,max,flags) In [80]: re.sub(r's+',"##","hello world") Out[80]: 'hello##world' |
2.5、subn
re.subn(pattern,replaceStr,string,max,flags) #功能同sub，但是返回值返回替换后的字符串和替换了几处 In [80]: re.sub(r's+',"##","hello world") Out[80]: ('hello##world',1) |
2.6、finditer
re.finditer(pattern,string) #使用正则表达式匹配目标字符串，返回一个match对象，match对象调用group()之后才能拿到值 In [87]: it = re.finditer(r'd+',"2014nianshiqiqngduo 08aoyun 512dizhen") In [88]: for i in it: ....: print(i) ....: <_sre.SRE_Match object at 0x7f0639767920> <_sre.SRE_Match object at 0x7f0639767ac0> <_sre.SRE_Match object at 0x7f0639767920> In [93]: it = re.finditer(r'd+',"2014nianshiqiqngduo 08aoyun 512dizhen") In [94]: for i in it: ....: print(i.group()) ....: 2014 08 512 |
2.7、fullmatch
| fullmatch(pattern,string,flags) #完全匹配目标字符串，相当于加了^ 和 $ |
2.8、match
| re.match(pattern,string,flags) #匹配目标字符串开头的位置 |
2.9、search
| re.search(pattern,string,flags) # 正则表达式匹配目标字符串，只匹配第一处 |
三、一些练习题
3.1、匹配首字母大写的单词
import re f = open('test.txt') pattern= r'[A-Z][a-zA-Z]*s*' # pattern= r'[A-Z]S' L = [] for i in f: L += re.findall(pattern,i) print(L) test.txt文档内容如下： Hello World -12.6 Nihao 123 How are you -12 1.24 asdk 34%, 占比 1/2 2003 - 2005./% |
3.2、匹配数字（正数、负数、小数、百分数、分数）
import re pattern = "-?d+((/?d+)|((.)?d+)|((%)?))" f = open('test.txt') l = [] for line in f: l += re.finditer(pattern,line) for i in l: print(i.group()) |
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理。
