个人笔记——正则表达式

最新推荐文章于 2025-01-19 09:58:59 发布

原创最新推荐文章于 2025-01-19 09:58:59 发布 · 260 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #正则表达式 #re #模块

Python 专栏收录该内容

13 篇文章

订阅专栏

本文详细介绍了Python中正则表达式的使用，包括匹配单个和多个字符、组合匹配、开头结尾匹配、分组以及re模块的高级用法如search、findall、sub和split。同时展示了如何运用正则表达式进行网页模板清洗。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

正则表达式

正则表达式
清洗网页模板

正则表达式

一般使用re模块

匹配单个字符

字符	功能
.	匹配任意一个字符（除了\n）
[ ]	匹配[ ]中列举的字符，连续的可以用-连接，如：[1-8]
\d	匹配数字，即0-9
\D	匹配非数字
\s	匹配空白，即空格、Tab
\S	匹配非空白
\w	匹配单词字符，即a-z、A-Z、0-9、_
\W	匹配非单词字符

例：

>>ret = re.match(r"速度与激情\d", "速度与激情5")
>>ret.group()
>速度与激情5

匹配多个字符

字符	功能
*	匹配前一个字符出现0次或者无限次，即可有可无
+	匹配前一个字符出现1次或者无限次，即至少1次
?	匹配前一个字符出现1次或者0次，即要么有1次，要么没有
{m}	匹配前一个字符出现m次
{m, n}	匹配前一个字符出现m到n次切记！逗号后面不要加空格！！！

例：

import re

names = ["name1", "_name", "2_name", "__name__"]

for name in names:
    ret = re.match("[a-zA-Z_]+[\w]*", name)
    if ret:
        print("变量名 %s 符合要求" % ret.group())
    else:
        print("变量名 %s 非法" % name)
>>变量名 name1 符合要求
变量名 _name 符合要求
变量名 2_name 非法
变量名 __name__ 符合要求

组合

*?：重复任意次，但尽可能少重复
例：

>>re.match(r"a.*?b", "acbacb")
>acb

+?：和上面一样，只不过至少重复一次
??:重复0次或1次，但尽可能少
例：

>>re.match(r"a.??b", "aaaacb")
>acb

匹配开头结尾

字符	功能
^	匹配字符串开头
$	匹配字符串结尾

import re

def main():
    names = ["age", "_age", "1age", "age1", "a_age", "age_1_", "age!", "a#123", "_____"]
    for name in names:
        ret = re.match("^[a-zA-Z_][a-zA-Z0-9_]*$", name)
        if ret:
            print("变量名：%s 符合要求...通过正则匹配出来的数据时：%s" % (name, ret.group()))
        else:
            print("变量名：%s 不符合要求" % name)


if __name__ == "__main__":
    main()
>>变量名：age 符合要求...通过正则匹配出来的数据时：age
变量名：_age 符合要求...通过正则匹配出来的数据时：_age
变量名：1age 不符合要求
变量名：age1 符合要求...通过正则匹配出来的数据时：age1
变量名：a_age 符合要求...通过正则匹配出来的数据时：a_age
变量名：age_1_ 符合要求...通过正则匹配出来的数据时：age_1_
变量名：age! 不符合要求
变量名：a#123 不符合要求
变量名：_____ 符合要求...通过正则匹配出来的数据时：_____

匹配分组

字符	功能

(ab)	将括号中字符作为一个分组
\num	引用分组num匹配到的字符
(?P<name>)	分组起别名
(?P=name)	引用别名为name分组匹配到的字符串
例：	和(ab)组合使用

>>re.match(r"[a-zA-Z0-9]{4,20}@(163|126).com", "laowang@126.com").group()
'''如果输入的值通过，则后续还可以取出()内的值来进行分析，如下'''
>>re.match(r"[a-zA-Z0-9]{4,20}@(163|126).com", "laowang@126.com").group(1)
>126
>>re.match(r"([a-zA-Z0-9]{4,20})@(163|126).com", "laowang@126.com").group(1)
>laowang
>>re.match(r"([a-zA-Z0-9]{4,20})@(163|126).com", "laowang@126.com").group(2)
>126

例：\num可以引用之前使用了()定义的分组

>>re.match(r"<(\w*)>.*</\1>", "<h1>hahahaha</h1>").group()
><h1>hahahaha</h1>

例：(?P<name>)与(?P=name)

>>html_str = '<body><h1>hahaha</h1></body>'
>>re.match(r"<(?P<p1>\w*)><(?P<p2>\w*)>.*</(?P=p1)></?P=p2>", html_str).group()
><body><h1>hahaha</h1></body>

re的高级用法

之前提及的正则表达式是包括Python和其他语言通用的，下面是Python独有的

search

例：

>>ret = re.search(r"\d+", "阅读次数为 9999")
>>ret.group()  # 只能提取第一个
>9999

findall

与search相比就在于能提取所有符合的字符
例：

>>ret = re.findall(r"\d+", "python = 999, c = 7890, c++ = 12345")
>>print(ret)
>['999', '7890', '12345']

sub

将匹配到的数据进行替换

>>re.sub(r"\d+", "996", "python = 997")
>python = 996

>>re.sub(r"\d+", "996", "python = 997, c++ = 1024")
>python = 996, c++ = 996

sub还支持函数
例：

def add(temp):
	strNum = temp.group()
	num = int(strNum) + 1
	return str(num)
ret = re.sub(r"\d+", add, "python = 997")
print(ret)
>998

split

根据匹配切割字符串，并返回一个列表
例：

ret = re.split(r":| ", "info = xiaoZhang 33 shandong")  # 根据:或者空格进行切割
print(ret)
>[info, xiaoZhangm,33, shandong]

清洗网页模板

# 清洗HTML标签文本
# @param htmlstr HTML字符串.
def filter_tags(htmlstr):
    # 过滤DOCTYPE
    htmlstr = ' '.join(htmlstr.split()) # 去掉多余的空格
    re_doctype = re.compile(r'<!DOCTYPE .*?> ', re.S)
    s = re_doctype.sub('',htmlstr)
    # 过滤CDATA
    re_cdata = re.compile('//<!CDATA\[[ >]∗ //\] > ', re.I)
    s = re_cdata.sub('', s)
    # Script
    re_script = re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>', re.I)
    s = re_script.sub('', s)  # 去掉SCRIPT
    # style
    re_style = re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>', re.I)
    s = re_style.sub('', s)  # 去掉style
    # 处理换行
    re_br = re.compile('<br\s*?/?>')
    s = re_br.sub('', s)     # 将br转换为换行
    # HTML标签
    re_h = re.compile('</?\w+[^>]*>')
    s = re_h.sub('', s)  # 去掉HTML 标签
    # HTML注释
    re_comment = re.compile('<!--[^>]*-->')
    s = re_comment.sub('', s)
    # 多余的空行
    blank_line = re.compile('\n+')
    s = blank_line.sub('', s)
    # 剔除超链接
    http_link = re.compile(r'(http://.+.html)')
    s = http_link.sub('', s)
    return s

# 正则处理html网页数据
s=filter_tags(str_doc)
print(s)