Python第23课:正则表达式
时间 2019-02-20 下午3:30
主讲 刘培富
地点 四楼电教室
正则表达式是对字符串进行特殊操作的一种逻辑公式,用于字符的匹配、过滤,python的正则表达式通过模块re来实现。
下面,通过匹配中文、字母、数字,及re.compile(),re.search(),re.findall(),re.sub()四个函数,来讲解正则表达式的用法。
一、匹配中文
x="<title>百度贴吧——全球最大的中文社区</title>void function(t,e"
怎样把里面的中文过滤出来呢?
import re
x="<title>百度贴吧——全球最大的中文社区</title>void function(t,e"
zz = re.compile("[\u4e00-\u9fa5]+")
m=zz.findall(x)
print(m)
可见,中文汉字的正则表达式如下,后面的+号,代表连续的中文,否则就是一个字。
[\u4e00-\u9fa5]+
re.compile()是正则表达式的对象化表达。
re.findall()代表把符合条件的所有记录都找出来。如果用re.search(),则只找第一条。如下图:
而且,findall()返回的是一个列表,而search()返回的只有第一条,及开始和结束位置,分别用.span()和.group()表达出来。这是区别。
二、匹配数字:
x="大陆《汉语大字典》记录汉字54678字,台湾《异体字字典》记录汉字106230字"
请把以上数字提取出来,怎么办呢?
可见,数字的正则表达式是:
[\d]+
非数字的正则表达式是:
[\D]+
三、匹配字母
x="单词Compile的意思是“汇编”,单词Void的意思是“空的”,这2个单词很常用。"
现在,要把里面的字母、数字都匹配出来,而且有大写字母、小写字母,怎么办呢?
可见,匹配字母、数字的正则表达式是:
[a-zA-Z0-9]+
四、任意匹配
x ="Tina is a good girl, she is cool, clever, and so on..."
现在,要把句子中带有 oo 的单词提取出来,怎么办?
正则表达式的写法是:
"\\w*oo\\w*"
或者:
r'\w*oo\w*'
含义如下:
1,字符串前面加r,表示防止\被转义。防止\被转义,也可以用\\,意思一样的。
2,\w 表示任意字符,但不含空格、逗号。
3,\w*表示多次匹配。
五、匹配修改
x="2016 年底我国高速铁路里程已达 2.2 万公里,跃居世界第一,初步形成了“四纵四横”的高速铁路网络;远期我国高速铁路网将达 4.5 万公里,形成“八纵八横”的高速铁路主通道。"
请在上述文字的数字后面加上 【注意】,怎么办?
sub使用了sub()函数。正则表达式的写法是:
([\d\.]+)
第二个参数中 \\1 代表被匹配的内容。
六、贪婪模式
以上是网络爬虫抓取到的一段源码,将其中的文章标题提取出来。方法如下:
用到的正则表达式是:
'.*?<li class="clearfix">.*?target="_blank">(.*?)</a></h3>.*?'
含义:
1,对于大段文字,使用'''三个单引号来表达。如果出现代码问题,需要在前面指定代码集 #coding=gbk
2,任意匹配的表达是.*?
3,匹配目标(.*?)
4,兼容内容换行的参数re.S
网友评论