Python小知识-正则表达式和Re库（二）

最新推荐文章于 2025-07-11 10:53:47 发布

原创最新推荐文章于 2025-07-11 10:53:47 发布 · 2.2k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#Python正则表达式和Re库 #findall() #search() #sub() #compile()

Python基础专栏收录该内容

20 篇文章

订阅专栏

本文深入探讨Python正则表达式的高级应用，包括search()、findall()、sub()和compile()函数的使用技巧，旨在帮助读者掌握复杂文本处理与信息提取。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原创不易，转载前请注明博主的链接地址：Blessy_Zhu https://blog.youkuaiyun.com/weixin_42555080
本次代码的环境：
运行平台： Windows
Python版本： Python3.x
IDE： PyCharm

1 概述

上一篇文章Python小知识-正则表达式和Re库（一）讲解了正则表达式的基本内容，包括介绍了一个正则表达式的测试工具、介绍了常用的匹配规则、介绍了一个最基本、最终重要的函数match()、；匹配目标中的group()和span()方法、通用匹配.* 、贪婪和非贪婪 .*和. * ?、修饰符re.S、转义匹配等内容，这篇文章会继续讲解search()函数、findall()函数、sub()函数、compile()函数。闲话少说，直奔主题…

2 search()函数

上一篇文章Python小知识-正则表达式和Re库（一）讲到的match()方法是从字符串的开头开始匹配的,那么这就会遇到一个问题，一旦开头匹配不成功，那么整个匹配就会失败。比如下面这这个例子：

import re

content = 'My phone number is 15238887777 Hello 1234567 zoneNumber I came from Laifeng in Hubei Enshi'
result = re.match("Hello.*?(\d+).*?Enshi",content)
print(result)
print(result.group(1))

这里面的字符串是以“My phone number is 15238887777”开头的，但是正则表达式则是以Hello开头，整个正则表达式是字符串的一部分，但是这样的匹配是失败的，运行结果是：
None
Traceback (most recent call last):
File “C:/Users/Administrator/PycharmProjects/practice1/buffer1.py”, line 7, in
print(result.group(1))
AttributeError: ‘NoneType’ object has no attribute ‘group’
这是因为match()函数在使用时需要考虑到开头的内容，这在做匹配时并不方便。match()更适合用来检测某个字符串是否符合某个正则表达式的规则。
这时候就需要另外一个方法search()，它在匹配时会扫描整个字符串，然后返回第一个成功匹配的结果。也就是说，正则表达式可以是字符串的一部分，在匹配时，search()方法会依次扫描字符串，有到找到第个符合规则的字符串，然后返回匹配内容，如果搜索完了还没有找到，就返回None。把上面代码中的match()方法修改成search(),再看下运行结果:
<re.Match object; span=(31, 90), match='Hello 1234567 zoneNumber I came from Laifeng in H>1234567
这时就得到了匹配结果。因此，为了匹配方便，我们可以尽量使用search()方法。接下里再举一个例子，我们用search()方法匹配如图1所示猫眼电影排行Top100的列表，在此只涉及一个片段内容的提取。

图1

import re

content = '''  
<dd>
   <i class="board-index board-index-1">1</i>
   <a href="/films/1203" title="霸王别姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">
   <img src="//s0.meituan.net/bs/?f=myfe/mywww:/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
   <img data-src="https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c" alt="霸王别姬" class="board-img" />
   </a>
   <div class="board-item-main">
     <div class="board-item-content">
     <div class="movie-item-info">
       <p class="name"><a href="/films/1203" title="霸王别姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王别姬</a></p>
       <p class="star">
               主演：张国荣,张丰毅,巩俐
       </p>
       <p class="releasetime">上映时间：1993-01-01</p>    
     </div>
     <div class="movie-item-number score-num">
       <p class="score"><i class="integer">9.</i><i class="fraction">6</i></p>        
     </div>
     </div>
   </div>
</dd>'''
result = re.search('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                        + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                        + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',content,re.S)
print(result)
print(result.group(1))
print(result.group(2))
print(result.group(3))
print(result.group(4).strip())
print(result.group(5))
print(result.group(6))
print(result.group(7))

结果分别获得电影的猫眼电影排行名词、图片地址、影片名字、主演、上映时间、评分整数部分、评分小数部分，如图2所示：

图2

这段代码较为简单，其中content是截取的HTML片段，search()里面是一个正则表达式。在这里可以直接讲解正则表达式：通过上面的HTML可以看到，它是以dd标签开头的，然后通配符，遇到匹配到board-index.*?找到后面呢标明序号的数字（即排行名词）。接着匹配名字，这个例子特别讲，后面就和它一样了，就不在细讲了：首先看HTML源码如图3：

图3

接下来要匹配的内容就是画红框框部分的内容，可以看到它这个的是在p标签内，首先定位唯一标志符p标签内的class属性的“name”值 name"><a’，唯一定位完毕后实现通配.?，然后确定读取位置是在>XXX标签内，通过匹配目标（）进行提取定位，完整的正则表达式匹配代码是name"><a’ + '.?>(.*?)，这样就完成了。其他的代码类似，可参考此内容带入。

3 findall()函数

前面介绍了search()方法的用法，它可以返回匹配正则表达式的第一个内容，但是如果想要本敢匹配正则表达式的所有内容，那该怎么办呢?这时就要借助findall()方法了。该方法会搜索整个字符串，然后返回匹配正则表达式的所有内容。还是上面的HTML文本，如果想获取所有a节点的超链接、歌手和歌名,就可以将search()方法掉成findall()方法。如果有返回结果的话，就是列表类型，所以需要遍历一下来依次获取每组内容。代码如下:

import re

content = '''  
<dd>
   <i class="board-index board-index-1">1</i>
   <a href="/films/1203" title="霸王别姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">
   <img src="//s0.meituan.net/bs/?f=myfe/mywww:/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
   <img data-src="https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c" alt="霸王别姬" class="board-img" />
   </a>
   <div class="board-item-main">
     <div class="board-item-content">
     <div class="movie-item-info">
       <p class="name"><a href="/films/1203" title="霸王别姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王别姬</a></p>
       <p class="star">
               主演：张国荣,张丰毅,巩俐
       </p>
       <p class="releasetime">上映时间：1993-01-01</p>    
     </div>
     <div class="movie-item-number score-num">
       <p class="score"><i class="integer">9.</i><i class="fraction">6</i></p>        
     </div>
     </div>
   </div>
</dd>
<dd>
   <i class="board-index board-index-2">2</i>
   <a href="/films/1297" title="肖申克的救赎" class="image-link" data-act="boarditem-click" data-val="{movieId:1297}">
   <img src="//s0.meituan.net/bs/?f=myfe/mywww:/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
   <img data-src="https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c" alt="肖申克的救赎" class="board-img" />
   </a>
   <div class="board-item-main">
   <div class="board-item-content">
   <div class="movie-item-info">
       <p class="name"><a href="/films/1297" title="肖申克的救赎" data-act="boarditem-click" data-val="{movieId:1297}">肖申克的救赎</a></p>
       <p class="star">
               主演：蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿
       </p>
       <p class="releasetime">上映时间：1994-10-14(美国)</p>    
   </div>
   <div class="movie-item-number score-num">
    <p class="score"><i class="integer">9.</i><i class="fraction">5</i></p>        
   </div>
   </div>
   </div>
</dd>
'''
results = re.findall('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                        + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                        + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',content,re.S)
for result in results:
   print(result[0],result[1],result[2],result[3].strip(),result[4],result[5],result[6])

这个代码中的content里面有两个以dd换位findall()函数后，匹配的内容应该是两条，打印后的结果如下：
1 https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c 霸王别姬主演：张国荣,张丰毅,巩俐上映时间：1993-01-01 9. 6
2 https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c 肖申克的救赎主演：蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿上映时间：1994-10-14(美国) 9. 5

4 sub()函数

除了使用正则表达式提取信息外，有时候还需要借助它来修改文本。比如，想要去掉文本中的所有数字，如果通过字符串的replace()方法，那就太烦琐了，这时可以借助sub()方法。示例如下:

import re

content = '123hello 888 i am 55 Blessy'
content = re.sub('\d+', '', content)
print(content)

运行结果如下:hello i am Blessy
sub(‘去掉的内容’，‘替换的内容’，‘原文本内容’)这里只需要给第一个参数传入\d来匹配所有的数字，第二个参数未替换的字符串，第三个参数是原字符串。

5 compile()函数

match()、search()、findall()这些函数都是用来处理字符串的方法，最后再介绍一下compile()方法，这个方法可以将正则字符串编译成正则表达式对象，以便在后面的匹配中复用，示例代码如下:

import  re

content1=' 2016-12-15 12:00'
content2 ='2016-12-17 12:55 '
content3=' 2016-12-22 13:21 '
pattern = re.compile('\d{2}:\d{2}')
result1 = re.sub(pattern,'', content1)
result2 = re.sub(pattern, '', content2)
result3 = re.sub(pattern,'' , content3)
print(result1, result2, result3)

通过这个代码可以看到，它是现将正则表达式’\d{2}:\d{2}’（这个正则表达式的含义是：匹配：及：前后各2各数字），编译成正则表达式对象，通过sub将时间部分去掉。结果就是：
2016-12-15 2016-12-17 2016-12-22
re模块中这个重要函数是compile(pattern [, flags]) ，该函数根据包含的正则表达式的字符串创建模式对象。可以实现更有效率的匹配。在直接使用字符串表示的正则表达式进行search(),match()和findall()操作时，python会将字符串转换为正则表达式对象。而使用compile()完成一次转换之后，再每次使用模式的时候就不用重复转换。使用re.compile()函数进行转换后，re.search(pattern, string)的调用方式就转换为 pattern.search(string)的调用方式，当然前者的调用方式也可以继续使用。

总结

这篇内容讲解了正则表达式的基本内容，包括解search()函数、findall()函数、sub()函数、compile()函数。作为上一篇文章Python小知识-正则表达式和Re库（一）的姊妹篇，通过这两篇文章就全部讲解了正则表达式的全部内容以及re库对应的全部内容。以上内容参考资料：崔庆才《Python3 网络爬虫开发实战》，夏敏捷《Python程序设计-从基础到开发》，[挪]芒努斯·利·海特兰德(Magnus Lie Hetland)《Python基础教程第3版 Python编程从入门到实践》，并对以上作者表示感谢。这篇文章就到这里了，欢迎大佬们多批评指正，也欢迎大家积极评论多多交流。
　