21.Python之re模块

Python之re模块

1. re模块介绍

   • re 模块使 Python 语言拥有全部的正则表达式功能。

2. re模块的内置方法

   • re.findall()：

     对字符串进行正则表达式的全文匹配，把所有符合正则表达式的结果以列表的形式返回，如果正则表达式中有分组，虽然匹配的时候按照正则表达式进行匹配的，但是只返回分组中的正则内容。

     import requests
     s = '<h1>Python之re模块findall方法</h1>'
     # 通过正则只取出结果：'Python之re模块findall方法'
     ret = re.findall('<h1>(.*?)</h1>',s)    # 有分组()时，返回结果只会显示分组内容
     print(ret)  # ['Python之re模块findall方法']
     

   • re.search()：

     对字符串进行正则表达式的全文匹配，只取第一个符合正则表达式条件的结果，得到的结果是一个变量，通过.group(n)可以获取到第n个分组中匹配到的内容。主要用来寻找字符串中是否含有满足条件的子内容。

     import requests
     s = '4-2*(4+6)'
     # 通过正则计算s中4+6的值
     ret = re.search('(\d+)[+](\d+)',s)
     ret_1 = int(ret.group(1))
     ret_2 = int(ret.group(2))
     print(ret_1 + ret_2)
     

   • re.split()：

     以正则表达式为条件，切分字符串内容，并将内容以列表的形式返回。若正则表达式中有分组，则保留匹配的切分条件。

     # 不含分组
     import re
     s = '54Python432re78split'
     ret = re.split('\d+',s)
     print(ret, type(ret))   # ['', 'Python', 're', 'split'] <class 'list'>
     
     # 含有分组
     import re
     s = '54Python432re78split'
     ret = re.split('(\d+)',s)
     print(ret, type(ret))    # ['', '54', 'Python', '432', 're', '78', 'split'] <class 'list'>
     

   • re.sub()：

     以正则表达式为条件，用指定的字符串替换符合正则表达式内容的字符串，并且可以指定替换的次数。

     # 不指定替换次数，默认全部替换
     import re
     s = 'Python432re78sub'
     ret = re.sub('\d+', '_', s)
     print(ret, type(ret))   # Python_re_sub <class 'str'>
     
     # 指定替换次数
     import re
     s = 'Python432re78sub'
     ret = re.sub('\d+', '_', s, 1)  # 指定替换次数1
     print(ret, type(ret))   # Python_re78sub <class 'str'>
     

   • re.subn()：

     以正则表达式为条件，用指定的字符串替换符合正则表达式内容的字符串，并且统计出替换的次数，并以元组的形式返回结果。

     import re
     s = 'Python432re78sub'
     ret = re.subn('\d+', '_', s)
     print(ret, type(ret))   # ('Python_re_sub', 2) <class 'tuple'>
     

   • re.math()：

     从开头进行匹配，相当于添加了^，使用方法同search()。一般用来规定用户输入信息必须是什么样的。

     import re
     while 1:
         user_input = input('请输入您的手机号:').strip()
         # 要求用户输入的手机好必须是第一位是1开头，第二位是3到9的11位数字
         ret = re.match('1[3-9]\d{9}', user_input)
         if re.match('1[3-9]\d{9}', user_input) == None:
             print('请输入合法的手机号')
         else:
             break
     

   • re.compile()：

     可以将正则表达式一次编译多次使用，避免重复编译正则表达式。是一个提升代码执行效率的工具。

     import requests
     s_1 = '<h1>page1</h1>'
     s_2 = '<h1>page2</h1>'
     s_3 = '<h1>page3</h1>'
     ret = re.compile('<h1>(.*?)</h1>')
     res_1 = ret.findall(s_1)
     res_2 = ret.findall(s_2)
     res_3 = ret.findall(s_3)
     print(res_1)
     print(res_2)
     print(res_3)
     

   • re.finditer()：

     不同于re.findall()直接返回一个列表，re.finditer()返回的是一个迭代器，通过迭代器一个一个的取值，可以节省内存空间。

     import requests
     s = '477h314kh3h532kjh589kjh523h5kj2h3jh6957kj4h6kj'
     ret = re.finditer('\d+',s)
     for i in ret:
         print(i.group())
     

   在爬虫中re.compile()经常与re.finditer()连用。即能节省时间，也能节省空间。

3. re模块的使用

   • 分组命名

     当正则表达式中存在很多个分组，为避免对分组取值时一个一个的去数分组的情况发生，一般都会给分组进行命名，命名的方法实在括号内的最前面添加（?P<分组的名称>）。

     import requests
     s = '477h314kh3h532kjh589'
     ret = re.search('(?P<取数字>\d+)(?P<取字母>\w+?)',s)
     print(ret.group('取数字'))    # 477
     print(ret.group('取字母'))    # h
     

   • 分组的引用

     当正则表达式中的两个分组内容相同，可以通过分组名称进行分组内容的引用，注意，通过分组名称引用的并不是正则表达式，而是正则表达式匹配的内容。

     import re
     s = '<h1>Python之re模块findall方法</h1>'
     ret = re.search('<(?P<tag>\w+)>(.*?)</(?P=tag)>',s)
     print(ret)
     
     # 正则表达式中的\1表示第一个分组，因此也可以写成
     import re
     s = '<h1>Python之re模块findall方法</h1>'
     ret = re.search(r'<(?P<tag>\w+)>(.*?)</\1>',s)
     print(ret)