數據提取-正則表達式和re模塊

正則表達式和re模塊：

什么是正則表達式：

通俗理解：按照一定的規(guī)則，從某個字符串中匹配出想要的數據。這個規(guī)則就是正則表達式。
標準答案：https://baike.baidu.com/item/正則表達式/1700215?fr=aladdin

一個段子：

世界是分為兩種人，一種是懂正則表達式的，一種是不懂正則表達式的。

正則表達式常用匹配規(guī)則：

匹配某個字符串：

text = 'hello'
ret = re.match('he',text)
print(ret.group())
>> he

以上便可以在hello中，匹配出he。

點（.）匹配任意的字符：

text = "ab"
ret = re.match('.',text)
print(ret.group())
>> a

但是點（.）不能匹配不到換行符。示例代碼如下：

text = "ab"
ret = re.match('.',text)
print(ret.group())
>> AttributeError: 'NoneType' object has no attribute 'group'

\d匹配任意的數字：

text = "123"
ret = re.match('\d',text)
print(ret.group())
>> 1

\D匹配任意的非數字：

text = "a"
ret = re.match('\D',text)
print(ret.group())
>> a

而如果text是等于一個數字，那么就匹配不成功了。示例代碼如下：

text = "1"
ret = re.match('\D',text)
print(ret.group())
>> AttributeError: 'NoneType' object has no attribute 'group'

\s匹配的是空白字符（包括：\n，\t，\r和空格）：

text = "\t"
ret = re.match('\s',text)
print(ret.group())
>> 空白

\w匹配的是a-z和A-Z以及數字和下劃線：

text = "_"
ret = re.match('\w',text)
print(ret.group())
>> _

而如果要匹配一個其他的字符，那么就匹配不到。示例代碼如下：

text = "+"
ret = re.match('\w',text)
print(ret.group())
>> AttributeError: 'NoneType' object has no attribute

\W匹配的是和\w相反的：

text = "+"
ret = re.match('\W',text)
print(ret.group())
>> +

而如果你的text是一個下劃線或者英文字符，那么就匹配不到了。示例代碼如下：

text = "_"
ret = re.match('\W',text)
print(ret.group())
>> AttributeError: 'NoneType' object has no attribute

[]組合的方式，只要滿足中括號中的某一項都算匹配成功：

text = "0731-88888888"
ret = re.match('[\d\-]+',text)
print(ret.group())
>> 0731-88888888

之前講到的幾種匹配規(guī)則，其實可以使用中括號的形式來進行替代：

  • \d：[0-9]
  • \D：0-9
  • \w：[0-9a-zA-Z_]
  • \W：[^0-9a-zA-Z_]

匹配多個字符：

  1. *：可以匹配0或者任意多個字符。示例代碼如下：

     text = "0731"
 ret = re.match('\d*',text)
 print(ret.group())
 >> 0731

    以上因為匹配的要求是\d，那么就要求是數字，后面跟了一個星號，就可以匹配到0731這四個字符。

  2. +：可以匹配1個或者多個字符。最少一個。示例代碼如下：

     text = "abc"
 ret = re.match('\w+',text)
 print(ret.group())
 >> abc

    因為匹配的是\w，那么就要求是英文字符，后面跟了一個加號，意味著最少要有一個滿足\w的字符才能夠匹配到。如果text是一個空白字符或者是一個不滿足\w的字符，那么就會報錯。示例代碼如下：

     text = ""
 ret = re.match('\w+',text)
 print(ret.group())
 >> AttributeError: 'NoneType' object has no attribute

  3. ?：匹配的字符可以出現一次或者不出現（0或者1）。示例代碼如下：

     text = "123"
 ret = re.match('\d?',text)
 print(ret.group())
 >> 1

  4. {m}：匹配m個字符。示例代碼如下：

     text = "123"
 ret = re.match('\d{2}',text)
 print(ret.group())
 >> 12

  5. {m,n}：匹配m-n個字符。在這中間的字符都可以匹配到。示例代碼如下：

     text = "123"
 ret = re.match('\d{1,2}',text)
 prit(ret.group())
 >> 12

    如果text只有一個字符，那么也可以匹配出來。示例代碼如下：

     text = "1"
 ret = re.match('\d{1,2}',text)
 prit(ret.group())
 >> 1

小案例：

  1. 驗證手機號碼：手機號碼的規(guī)則是以1開頭，第二位可以是34587，后面那9位就可以隨意了。示例代碼如下：

     text = "18570631587"
 ret = re.match('1[34587]\d{9}',text)
 print(ret.group())
 >> 18570631587

    而如果是個不滿足條件的手機號碼。那么就匹配不到了。示例代碼如下：

     text = "1857063158"
 ret = re.match('1[34587]\d{9}',text)
 print(ret.group())
 >> AttributeError: 'NoneType' object has no attribute

  2. 驗證郵箱：郵箱的規(guī)則是郵箱名稱是用數字、數字、下劃線組成的，然后是@符號，后面就是域名了。示例代碼如下：

     text = "hynever@163.com"
 ret = re.match('\w+@\w+\.[a-zA-Z\.]+',text)
 print(ret.group())

  3. 驗證URL：URL的規(guī)則是前面是http或者https或者是ftp然后再加上一個冒號，再加上一個斜杠，再后面就是可以出現任意非空白字符了。示例代碼如下：

     text = "http://www.baidu.com/"
 ret = re.match('(http|https|ftp)://[^\s]+',text)
 print(ret.group())

  4. 驗證身份證：身份證的規(guī)則是，總共有18位，前面17位都是數字，后面一位可以是數字，也可以是小寫的x，也可以是大寫的X。示例代碼如下：

     text = "3113111890812323X"
 ret = re.match('\d{17}[\dxX]',text)
 print(ret.group())

^（脫字號）：表示以...開始：

text = "hello"
ret = re.match('^h',text)
print(ret.group())

如果是在中括號中，那么代表的是取反操作.

$：表示以...結束：

# 匹配163.com的郵箱
text = "xxx@163.com"
ret = re.search('\w+@163\.com$',text)
print(ret.group())
>> xxx@163.com

|：匹配多個表達式或者字符串：

text = "hello|world"
ret = re.search('hello',text)
print(ret.group())
>> hello

貪婪模式和非貪婪模式：

貪婪模式：正則表達式會匹配盡量多的字符。默認是貪婪模式。
非貪婪模式：正則表達式會盡量少的匹配字符。
示例代碼如下：

text = "0123456"
ret = re.match('\d+',text)
print(ret.group())
# 因為默認采用貪婪模式，所以會輸出0123456
>> 0123456

可以改成非貪婪模式，那么就只會匹配到0。示例代碼如下：

text = "0123456"
ret = re.match('\d+?',text)
print(ret.group())

案例：匹配0-100之間的數字：

text = '99'
ret = re.match('[1-9]?\d$|100$',text)
print(ret.group())
>> 99

而如果text=101，那么就會拋出一個異常。示例代碼如下：

text = '101'
ret = re.match('[1-9]?\d$|100$',text)
print(ret.group())
>> AttributeError: 'NoneType' object has no attribute 'group'

轉義字符和原生字符串：

在正則表達式中，有些字符是有特殊意義的字符。因此如果想要匹配這些字符，那么就必須使用反斜杠進行轉義。比如$代表的是以...結尾，如果想要匹配$，那么就必須使用\$。示例代碼如下：

text = "apple price is \$99,orange paice is $88"
ret = re.search('\$(\d+)',text)
print(ret.group())
>> $99

原生字符串：
在正則表達式中，\是專門用來做轉義的。在Python中\也是用來做轉義的。因此如果想要在普通的字符串中匹配出\，那么要給出四個\。示例代碼如下：

text = "apple \c"
ret = re.search('\\\\c',text)
print(ret.group())

因此要使用原生字符串就可以解決這個問題：

text = "apple \c"
ret = re.search(r'\\c',text)
print(ret.group())

re模塊中常用函數：

match：

從開始的位置進行匹配。如果開始的位置沒有匹配到。就直接失敗了。示例代碼如下：

text = 'hello'
ret = re.match('h',text)
print(ret.group())
>> h

如果第一個字母不是h，那么就會失敗。示例代碼如下：

text = 'ahello'
ret = re.match('h',text)
print(ret.group())
>> AttributeError: 'NoneType' object has no attribute 'group'

如果想要匹配換行的數據，那么就要傳入一個flag=re.DOTALL，就可以匹配換行符了。示例代碼如下：

text = "abc\nabc"
ret = re.match('abc.*abc',text,re.DOTALL)
print(ret.group())

search：

在字符串中找滿足條件的字符。如果找到，就返回。說白了，就是只會找到第一個滿足條件的。

text = 'apple price $99 orange price $88'
ret = re.search('\d+',text)
print(ret.group())
>> 99

分組：

在正則表達式中，可以對過濾到的字符串進行分組。分組使用圓括號的方式。

  1. group：和group(0)是等價的，返回的是整個滿足條件的字符串。
  2. groups：返回的是里面的子組。索引從1開始。
  3. group(1)：返回的是第一個子組，可以傳入多個。
    示例代碼如下：
text = "apple price is $99,orange price is $10"
ret = re.search(r".*(\$\d+).*(\$\d+)",text)
print(ret.group())
print(ret.group(0))
print(ret.group(1))
print(ret.group(2))
print(ret.groups())

findall：

找出所有滿足條件的，返回的是一個列表。

text = 'apple price $99 orange price $88'
ret = re.findall('\d+',text)
print(ret)
>> ['99', '88']

sub：

用來替換字符串。將匹配到的字符串替換為其他字符串。

text = 'apple price $99 orange price $88'
ret = re.sub('\d+','0',text)
print(ret)
>> apple price $0 orange price $0

sub函數的案例，獲取拉勾網中的數據：

html = """
<div>
<p>基本要求：</p>
<p>1、精通HTML5、CSS3、 JavaScript等Web前端開發(fā)技術，對html5頁面適配充分了解，熟悉不同瀏覽器間的差異，熟練寫出兼容各種瀏覽器的代碼；</p>
<p>2、熟悉運用常見JS開發(fā)框架，如JQuery、vue、angular，能快速高效實現各種交互效果；</p>
<p>3、熟悉編寫能夠自動適應HTML5界面，能讓網頁格式自動適應各款各大小的手機；</p>
<p>4、利用HTML5相關技術開發(fā)移動平臺、PC終端的前端頁面，實現HTML5模板化；</p>
<p>5、熟悉手機端和PC端web實現的差異，有移動平臺web前端開發(fā)經驗，了解移動互聯網產品和行業(yè)，有在Android,iOS等平臺下HTML5+CSS+JavaScript（或移動JS框架）開發(fā)經驗者優(yōu)先考慮；6、良好的溝通能力和團隊協(xié)作精神，對移動互聯網行業(yè)有濃厚興趣，有較強的研究能力和學習能力；</p>
<p>7、能夠承擔公司前端培訓工作，對公司各業(yè)務線的前端（HTML5\CSS3）工作進行支撐和指導。</p>
<p><br></p>
<p>崗位職責：</p>
<p>1、利用html5及相關技術開發(fā)移動平臺、微信、APP等前端頁面，各類交互的實現；</p>
<p>2、持續(xù)的優(yōu)化前端體驗和頁面響應速度，并保證兼容性和執(zhí)行效率；</p>
<p>3、根據產品需求，分析并給出最優(yōu)的頁面前端結構解決方案；</p>
<p>4、協(xié)助后臺及客戶端開發(fā)人員完成功能開發(fā)和調試；</p>
<p>5、移動端主流瀏覽器的適配、移動端界面自適應研發(fā)。</p>
</div>
"""

ret = re.sub('</?[a-zA-Z0-9]+>',"",html)
print(ret)

split：

使用正則表達式來分割字符串。

text = "hello world ni hao"
ret = re.split('\W',text)
print(ret)
>> ["hello","world","ni","hao"]

compile：

對于一些經常要用到的正則表達式，可以使用compile進行編譯，后期再使用的時候可以直接拿過來用，執(zhí)行效率會更快。而且compile還可以指定flag=re.VERBOSE，在寫正則表達式的時候可以做好注釋。示例代碼如下：

text = "the number is 20.50"
r = re.compile(r"""
                \d+ # 小數點前面的數字
                \.? # 小數點
                \d* # 小數點后面的數字
                """,re.VERBOSE)
ret = re.search(r,text)
print(ret.group())
?著作權歸作者所有,轉載或內容合作請聯系作者
【社區(qū)內容提示】社區(qū)部分內容疑似由AI輔助生成，瀏覽時請結合常識與多方信息審慎甄別。
平臺聲明：文章內容（如有圖片或視頻亦包括在內）由作者上傳并發(fā)布，文章內容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。

相關閱讀更多精彩內容

  • 什么是正則表達式： 通俗理解：按照一定的規(guī)則，從某個字符串中匹配出想要的數據。這個規(guī)則就是正則表達式。標準答案：h...
    朝南而行_閱讀 1,089評論 0贊 2
  • 正則表達式和re模塊： 什么是正則表達式： 通俗理解：按照一定的規(guī)則，從某個字符串中匹配出想要的數據。這個規(guī)則就是...
    久壑閱讀 367評論 0贊 0
  • 正則表達式常用匹配規(guī)則： 匹配某個字符串： 以上便可以在hello中，匹配出he。 點（.）匹配任意的字符： 但是...
    編程小王子AAA閱讀 578評論 0贊 0
  • re模塊手冊 本模塊提供了和Perl里的正則表達式類似的功能，不關是正則表達式本身還是被搜索的字符串，都可以...
    喜歡吃栗子閱讀 4,206評論 0贊 13
  • 正則表達式、re模塊、匹配單個字符、匹配多個字符、匹配開頭結尾、匹配分組、re模塊的高級用法、python貪婪和非...
    Cestine閱讀 1,774評論 0贊 1

友情鏈接更多精彩內容