（四）正则表达式

 一、基础知识

 

IP地址

 

 

二、  常用函数

前提：正则表达式库    re （python专用库）

1、search查找从字符串中查找匹配对象

ls = re.search(r'[1-9]\d{5}','BIT 100081')
if ls:
    print(ls.group(0))
print(ls)

结果
100081
<re.Match object; span=(4, 10), match='100081'>

 

2、match从字符串的起始开始比较，如果前几个字符不同，该字符串后面不再比较

re.match(r'[1-9]\d{5}','BIT 100081')
结果： （无）

re.match(r'[1-9]\d{5}','100081asdsa')
结果：
<re.Match object; span=(0, 6), match='100081'>

 

 3、split()从string里剔除匹配到的字符(返回列表类型)

ls = re.split(r'[1-9]\d{5}','BIR100081 rpt8797226355')
print(ls)
结果：
['BIR', ' rpt', '6355']

 

4、finditer用循环迭代的方式返回结果

 

 

for i in re.finditer(r'[1-9]\d{5}','Btt100081  1545456'):
	if i:
		print(i.group(0))

结果:
100081
154545

 

 5、sub将string中匹配(pattern)到的字符串替换成reple

 

re.sub(r'[1-9]\d{5}',':abc','BIR100081 rpt8797226355')
结果：
'BIR:abc rpt:abc6355'

 

6、预编译compile()

pat = re.compile(r'[1-9]\d{5}')
r = pat.search("aasf5456534")
print(r.group(0))
结果：
545653

 7、特殊用法：Match对象

 

>>> ls = re.search(r'[1-9]\d{5}','BIT 100081 and5646878')
>>> ls.string
'BIT 100081 and5646878'
>>> ls.re
re.compile('[1-9]\\d{5}')
>>> ls.pos
0
>>> ls.endpos
21
>>> ls.group(0)
'100081'
>>> ls.span()
(4, 10)
>>> ls.end()
10
>>> ls.start()
4

（1）贪婪匹配与最小匹配

一般函数都采取贪婪匹配（返回最长的字符串）

>>> match = re.search(r'py.*N',"pyANBNCNDN")
>>> match.group(0)
'pyANBNCNDN'

 

>>> match = re.search(r'py.*?N',"pyANBNCNDN")
>>> match.group(0)
'pyAN'

三、常见实例

1、例如获取"view_price":"20"中的20这一数字

 plist = re.findall(r'\"view_price\"\:\"[\d\.]*\"', html)

2、获取含有英文字符数字以及特殊符号的字符 

https://www.zhipin.com/job_detail/ef2ed6109002302603Z93d6-F1A~.html?ka=search_list_1

正则表达式为          .+job_detail/[\w-~]*\.html

https://www.zhipin.com/job_detail/54.html

正则表达式为         .+job_detail[/d].+\.html

3、获取含有英文字符数字

https://www.jianshu.com/p/c7642b6eb990

正则表达式   .*/p/[0-9a-z]{12}

[0-9a-z]{12}表示数字字符串重复12位数

注 .

1、*与.+的区别，在于.*匹配可有可无，但.+后面必须有字符

2、在做匹配的时候，字符串中间尽量使用非贪婪匹配，也就是用．*？叫来代替 ．＊

，以免出现
匹配结果缺失的情况。