仅供学习，转载请注明出处
匹配分组
| 字符 | 功能 |
|---|---|
| |
匹配左右任意一个表达式 |
(ab) |
将括号中字符作为一个分组 |
\num |
引用分组num匹配到的字符串 |
(?P<name>) |
分组起别名 |
(?P=name) |
引用别名为name分组匹配到的字符串 |
匹配左右任意一个表达式，类似或条件: |
我们在查询东西的时候不一定就是查一样，可能还会想要同时查询另一样东西。那么前面的只是讲述了匹配查询一样的情况。
需求：匹配出0-100之间的数字
#coding=utf-8
import re
In [3]: re.match('[1-9]?\d','8').group()
Out[3]: '8'
In [5]: re.match('[1-9]?\d','78').group()
Out[5]: '78'
# 不正确的情况，因为[1-9]无法匹配0，那么直接就是使用\d匹配到0就结束了，所以只会打印一个0，不会打印8出来。
In [6]: re.match('[1-9]?\d','08').group()
Out[6]: '0'
# 修正之后的，由于[1-9]无法匹配0，那么报错的时候ret为空，直接打印不在0-100之间
In [14]: ret = re.match('[1-9]?\d$|100','08')
In [15]: if ret:
...: print(ret.group())
...: else:
...: print("不在0-100之间")
...:
不在0-100之间
In [16]:
# 改匹配第一个字符为[0-9]，当然就可以匹配出08来了
In [9]: re.match('[0-9]?\d$','08').group()
Out[9]: '08'
# 匹配100肯定报错，因为这里只是匹配两位字符，那么就需要使用 | 增加一个匹配的类型了。
In [17]: re.match('[1-9]?\d$','100').group()
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-17-6c1fe61a1e0d> in <module>
----> 1 re.match('[1-9]?\d$','100').group()
AttributeError: 'NoneType' object has no attribute 'group'
In [18]:
# 添加 | 用来后续可以多个一个判断 100 的情况
In [18]: re.match('[1-9]?\d$|100','100').group()
Out[18]: '100'
将括号中字符作为一个分组：(ab)
上面写到可以通过 | 来进行或条件匹配，但是却是没有限定范围。那是上面意思呢？
看看下面的这个例子来理解一下。
需求：匹配出163、126、qq邮箱
#coding=utf-8
import re
# 首先来简单匹配一个163的邮箱地址
In [19]: re.match('\w{4,20}@163\.com','test@163.com').group()
Out[19]: 'test@163.com'
# 那么这个要判断163、126、qq的邮箱，我是不是直接加上|就好了呢？从结果来看，并不是的。
In [20]: re.match('\w{4,20}@163|qq|126\.com','test@163.com').group()
Out[20]: 'test@163'
In [21]: re.match('\w{4,20}@163|qq|126\.com','qq').group()
Out[21]: 'qq'
In [22]: re.match('\w{4,20}@163|qq|126\.com','126.com').group()
Out[22]: '126.com'
In [23]:
# 从上面的三个结果来看，貌似 | 把整体拆分三个规则来匹配。
# 很明显这不是我们想要的结果。明显就是 | 的或范围没有做好限制。
# 下面可以使用分组 （） 来限定 或 的范围来解决问题
# 我在 (163|qq|126) 增加了括号，说明 | 这个或判断只在这个括号中有效果
In [23]: re.match('\w{4,20}@(163|qq|126)\.com','126.com').group()
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-23-fd220fc6f021> in <module>
----> 1 re.match('\w{4,20}@(163|qq|126)\.com','126.com').group()
AttributeError: 'NoneType' object has no attribute 'group'
# 来看看，这个直接qq的当然就会匹配报错了。
In [24]: re.match('\w{4,20}@(163|qq|126)\.com','qq').group()
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-24-90ca396faa28> in <module>
----> 1 re.match('\w{4,20}@(163|qq|126)\.com','qq').group()
AttributeError: 'NoneType' object has no attribute 'group'
# 那么输入正确的邮箱地址，再来匹配看看是否正确。
In [25]: re.match('\w{4,20}@(163|qq|126)\.com','test@163.com').group()
Out[25]: 'test@163.com'
In [26]: re.match('\w{4,20}@(163|qq|126)\.com','test@qq.com').group()
Out[26]: 'test@qq.com'
In [27]: re.match('\w{4,20}@(163|qq|126)\.com','test@126.com').group()
Out[27]: 'test@126.com'
In [28]:
# 从上面的三个结果来看，都很正确匹配出来163、126、qq三种邮箱了。
# 最后输入另一种未定义的 hostmail 邮箱，当然就是报错的结果了。
In [28]: re.match('\w{4,20}@(163|qq|126)\.com','test@hostmail.com').group()
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-28-a9b2cc3bf2e3> in <module>
----> 1 re.match('\w{4,20}@(163|qq|126)\.com','test@hostmail.com').group()
AttributeError: 'NoneType' object has no attribute 'group'
In [29]:
需求：不是以4、7结尾的手机号码(11位)
In [29]: tels = ["13800001234", "18916844321", "10086", "18800007777"]
In [35]: for tel in tels:
...: ret = re.match('^1\d{9}[0-35-68-9]$',tel)
...: if ret:
...: print("%s 手机号码结果不以4或者7结尾" % ret.group())
...: else:
...: print("%s 手机号码不是想要找的" % tel)
...:
13800001234 手机号码不是想要找的
18916844321 手机号码结果不以4或者7结尾
10086 手机号码不是想要找的
18800007777 手机号码不是想要找的
In [36]:
提取区号和电话号码
In [36]: re.match('\d{3,4}-?\d+','0755-12345678').group()
Out[36]: '0755-12345678'
In [37]: re.match('(\d{3,4})-?(\d+)','0755-12345678').group()
Out[37]: '0755-12345678'
In [38]: re.match('(\d{3,4})-?(\d+)','0755-12345678').group(1)
Out[38]: '0755'
In [39]: re.match('(\d{3,4})-?(\d+)','0755-12345678').group(2)
Out[39]: '12345678'
# 还有另外一种方式匹配，使用开头匹配符号 ^ 然后写上最后需要匹配的符号 -
In [50]: re.match('[^-]*','0755-12345678').group()
Out[50]: '0755'
In [51]: re.match('[-]*','0755-12345678').group()
Out[51]: ''
In [52]: re.match('[^-]*','0755-12345678').group()
Out[52]: '0755'
In [53]: re.match('[^j]*','0755j12345678').group()
Out[53]: '0755'
In [54]: re.match('[^-]*','0755j12345678').group()
Out[54]: '0755j12345678'
In [55]: re.match('[^j]*','0755j12345678').group()
Out[55]: '0755'
In [56]:
In [60]: re.match('[^-]*-?\d+','0755-12345678').group()
Out[60]: '0755-12345678'
In [61]: re.match('([^-]*)-?(\d+)','0755-12345678').group()
Out[61]: '0755-12345678'
In [62]: re.match('([^-]*)-?(\d+)','0755-12345678').group(1)
Out[62]: '0755'
In [63]: re.match('([^-]*)-?(\d+)','0755-12345678').group(2)
Out[63]: '12345678'
In [64]:
# 这种写法的好处就是匹配所有 - 号前面的字符串
In [64]: re.match('([^-]*)-?(\d+)','Abcdasdasd-12345678').group(2)
Out[64]: '12345678'
In [65]: re.match('([^-]*)-?(\d+)','Abcdasdasd-12345678').group(1)
Out[65]: 'Abcdasdasd'
In [66]:
引用分组num匹配到的字符串： \num
这个功能在做爬虫匹配网页HTML元素的时候经常会用到。
下面来看看示例：
需求：匹配出<html>hello beauty</html>
#coding=utf-8
import re
# 首先匹配第一个<html>看看
In [66]: re.match('<[a-zA-Z]*>','<html>hello beauty</html>').group()
Out[66]: '<html>'
# 后面如果是用 .* 的话的确可以匹配所有字符，但是不利用后面想要再次() 分组
In [67]: re.match('<[a-zA-Z]*>.*','<html>hello beauty</html>').group()
Out[67]: '<html>hello beauty</html>'
# 使用 \w 可以匹配字母、数字、下划线，但是不能匹配空格、tab等，所以只到hello这里。
In [68]: re.match('<[a-zA-Z]*>\w*','<html>hello beauty</html>').group()
Out[68]: '<html>hello'
# 加上\s再两个\w之间进行匹配，那么就可以解决这个空格的问题了。剩下就是匹配最后的</html>
In [77]: re.match('<[a-zA-Z]*>\w*\s\w*','<html>hello beauty</html>').group()
Out[77]: '<html>hello beauty'
# 在最后写上匹配规则就可以了。
In [78]: re.match('<[a-zA-Z]*>\w*\s\w*</[a-zA-Z]*>','<html>hello beauty</html>').group()
Out[78]: '<html>hello beauty</html>'
In [79]
# 但是，可以看到匹配的规则是大小写字母，如果不一样的html标签呢？
In [80]: re.match('<[a-zA-Z]*>\w*\s\w*</[a-zA-Z]*>','<html>hello beauty</h>').group()
Out[80]: '<html>hello beauty</h>'
# 这样虽然也匹配出了结果，但是并不是想要的呀。最好的结果是结尾也应该是html
# 那么问题来了，很多时候匹配这是可能会变化的，不一定都是<html>，可能是<hello>都有可能。
In [81]:
# 正确的理解思路：如果在第一对<>中是什么，按理说在后面的那对<>中就应该是什么
# 通过引用分组中匹配到的数据即可，但是要注意是元字符串，即类似 r""这种格式
In [89]: re.match(r'<([a-zA-Z]*)>\w*\s\w*</\1>','<html>hello beauty</html>').group()
Out[89]: '<html>hello beauty</html>'
In [90]: re.match(r'<([a-zA-Z]*)>\w*\s\w*</\1>','<html>hello beauty</html>').group(1)
Out[90]: 'html'
# 上面将匹配的内容结尾写成了 \1 ，那么就是直接使用第一个括号分组的内容。
In [91]:
从上面可以看出，括号() 的分组在正则匹配是可以引用的，那么如果这种() 非常多，都写 \1 \2 \3 肯定不是很方便，那么下面有一种命名的编写方式。
分组别名引用：(?P<name>) (?P=name)
| 字符 | 功能 |
|---|---|
(?P<name>) |
分组起别名 |
(?P=name) |
引用别名为name分组匹配到的字符串 |
需求：匹配出<html><h1>www.baidu.com</h1></html>
#coding=utf-8
import re
In [92]: re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.baidu.com</h1></html>").group()
Out[92]: '<html><h1>www.baidu.com</h1></html>'
# 将第二个h标签改为 h2，使得不匹配h1。确认是否会报错。
In [94]: re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.baidu.com</h2></html>").group()
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-94-f0034ed73d2c> in <module>
----> 1 re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.baidu.com</h2></html>").group()
AttributeError: 'NoneType' object has no attribute 'group'
In [95]:
不过这种方式知道就好，大部分也是使用 \1 \2 就可以完成匹配的了。
关注微信公众号，回复【资料】、Python、PHP、JAVA、web，则可获得Python、PHP、JAVA、前端等视频资料。
网友评论