1、正則基礎(chǔ)1.1、基礎(chǔ)語法1.2、修飾符1.3、貪婪與懶惰2、正則進階2.1、捕獲分組2.2、零寬斷言2.3、條件匹配2.4、findall結(jié)語

導(dǎo)讀：正則在各語言中的使用是有差異的，本文以 Python 3 為基礎(chǔ)。本文主要講述的是正則的語法，對于 re 模塊不做過多描述，只會對一些特殊地方做提示。

很多人覺得正則很難，在我看來，這些人一定是沒有用心。其實正則很簡單，根據(jù)二八原則，我們只需要懂 20% 的內(nèi)容就可以解決 80% 的問題了。我曾經(jīng)有幾年幾乎每天都跟正則打交道，剛接手項目的時候我對正則也是一無所知，花半小時百度了一下，然后寫了幾個 demo，就開始正式接手了。三年多時間，我用到的正則鮮有超出我最初半小時百度到的知識的。

1、正則基礎(chǔ)

1.1、基礎(chǔ)語法

（1）常用元字符

語法描述

\b	匹配單詞的開始或結(jié)束
\d	匹配數(shù)字
\s	匹配任意不可見字符（空格、換行符、制表符等），等價于[ \f\n\r\t\v]。
\w	匹配任意 Unicode 字符集，包括字母、數(shù)字、下劃線、漢字等
.	匹配除換行符（\n）以外的任意字符
^ 或 \A	匹配字符串或行的起始位置
$ 或 \Z	匹配字符串或行的結(jié)束位置

（2）限定詞（又叫量詞）

語法描述

*	重復(fù)零次或更多次
+	重復(fù)一次或更多次
?	重復(fù)零次或一次
{n}	重復(fù) n 次
{n,}	重復(fù) n 次或更多次
{n,m}	重復(fù) n 到 m 次

（3）常用反義詞

語法描述

\B	匹配非單詞的開始或結(jié)束
\D	匹配非數(shù)字
\S	匹配任意可見字符， [^ \f\n\r\t\v]
\W	匹配任意非 Unicode 字符集
[^abc]	除 a、b、c 以外的任意字符

（4）字符族

語法描述

[abc]	a、b 或 c
[^abc]	除 a、b、c 以外的任意字符
[a-zA-Z]	a 到 z 或 A 到 Z
[a-d[m-p]]	a 到 d 或 m 到 p，即 [a-dm-p]（并集）
[a-z&&[def]]	d、e 或 f（交集）
[a-z&&[^bc]]	a 到 z，除了 b 和 c：[ad-z]（減去）
[a-z&&[^m-p]]	a 到 z，減去 m 到 p：[a-lq-z]（減去）

以上便是正則的基礎(chǔ)內(nèi)容，下面來寫兩個例子看下：

s?=?'123abc你好'
re.search('\d+',?s).group()
re.search('\w+',?s).group()

結(jié)果：

123
123abc你好

是不是很簡單？

1.2、修飾符

修飾符在各語言中也是有差異的。

Python 中的修飾符：

修飾符描述

re.A	匹配 ASCII字符類，影響 \w, \W, \b, \B, \d, \D
re.I	忽略大小寫
re.L	做本地化識別匹配（這個極少極少使用）
re.M	多行匹配，影響 和
re.S	使 . 匹配包括換行符（\n）在內(nèi)的所有字符
re.U	匹配 Unicode 字符集。與 re.A 相對，這是默認設(shè)置
re.X	忽略空格和 # 后面的注釋以獲得看起來更易懂的正則。

（1）re.A

修飾符 A 使 \w 只匹配 ASCII 字符，\W 匹配非 ASCII 字符。

s?=?'123abc你好'
re.search('\w+',?s,?re.A).group()
re.search('\W+',?s,?re.A).group()

結(jié)果：

123abc
你好

但是描述中還有 \d 和 \D，數(shù)字不都是 ASCII 字符嗎？這是什么意思？別忘了，還有 全角和半角！

s?=?'０１２３４５６７８９'????#?全角數(shù)字
re.search('\d+',?s,?re.U).group()

結(jié)果：

０１２３４５６７８９

（2）re.M
多行匹配的模式其實也不常用，很少有一行行規(guī)整的數(shù)據(jù)。

s?=?'aaa\r\nbbb\r\nccc'

re.findall('^[\s\w]*?$',?s)
re.findall('^[\s\w]*?$',?s,?re.M)

結(jié)果：

['aaa\r\nbbb\r\nccc']????????#?單行模式
['aaa\r',?'bbb\r',?'ccc']????#?多行模式

（3）re.S
這個簡單，直接看個例子。

s?=?'aaa\r\nbbb\r\nccc'

re.findall('^.*',?s)
re.findall('^.*',?s,?re.S)

結(jié)果：

['aaa\r']
['aaa\r\nbbb\r\nccc']

（4）re.X
用法如下：

rc?=?re.compile(r"""
\d+?#?匹配數(shù)字
#?和字母
[a-zA-Z]+
""",?re.X)
rc.search('123abc').group()

結(jié)果：

123abc

注意，用了 X 修飾符后，正則中的所有空格會被忽略，包括正則里面的原本有用的空格。如果正則中有需要使用空格，只能用 \s 代替。

（5）(?aiLmsux)
修飾符不僅可以代碼中指定，也可以在正則中指定。(?aiLmsux) 表示了以上所有的修飾符，具體用的時候需要哪個就在 ? 后面加上對應(yīng)的字母，示例如下，(?a) 和 re.A 效果是一樣的：

s?=?'123abc你好'
re.search('(?a)\w+',?s).group()
re.search('\w+',?s,?re.A).group()

結(jié)果是一樣的：

123abc
123abc

1.3、貪婪與懶惰

當正則表達式中包含能接受重復(fù)的限定符時，通常的行為是（在使整個表達式能得到匹配的前提下）匹配盡可能多的字符。

s?=?'aabab'
re.search('a.*b',?s).group()????#?這就是貪婪
re.search('a.*?b',?s).group()???#?這就是懶惰

結(jié)果：

aabab
aab

簡單來說：

• 所謂貪婪，就是盡可能 多 的匹配；
• 所謂懶惰，就是盡可能 少 的匹配。
• *、+、{n,} 這些表達式屬于貪婪；
• *?、+?、{n,}? 這些表達式就是懶惰（在貪婪的基礎(chǔ)上加上 ?）。

2、正則進階

2.1、捕獲分組

語法描述

(exp)	匹配exp，并捕獲文本到自動命名的組里
(?Pexp)	匹配exp，并捕獲文本到名稱為 name 的組里
(?:exp)	匹配exp，不捕獲匹配的文本，也不給此分組分配組號
(?P=name)	匹配之前由名為 name 的組匹配的文本

注意：在其他語言或者網(wǎng)上的一些正則工具中，分組命名的語法是 (?<name>exp) 或 (?'name'exp) ，但在 Python 里，這樣寫會報錯：This named group syntax is not supported in this regex dialect。Python 中正確的寫法是：(?P<name>exp)

示例一：

分組可以讓我們用一條正則提取出多個信息，例如：

s?=?'姓名：張三；性別：男；電話：138123456789'
m?=?re.search('姓名[:：](\w+).*?電話[:：](\d{11})',?s)
if?m:
????name?=?m.group(1)
????phone?=?m.group(2)
????print(f'name:{name},?phone:{phone}')

結(jié)果：

name:張三,?phone:13812345678

示例二：

(?P<name>exp) 有時還是會用到的， (?P=name) 則很少情況下會用到。我想了一個 (?P=name) 的使用示例，給大家看下效果：

s?=?'''
<name>張三</name>
<age>30</age>
<phone>138123456789</phone>
'''

pattern?=?r'<(?P<name>.*?)>(.*?)</(?P=name)>'
It?=?re.findall(pattern,?s)

結(jié)果：

[('name',?'張三'),?('age',?'30'),?('phone',?'138123456789')]

2.2、零寬斷言

語法描述

(?=exp)	匹配exp前面的位置
(?<=exp)	匹配exp后面的位置
(?!exp)	匹配后面跟的不是exp的位置
(?<!exp)	匹配前面不是exp的位置

注意：正則中常用的前項界定 (?<=exp) 和前項否定界定 (?<!exp) 在 Python 中可能會報錯：look-behind requires fixed-width pattern，原因是 python 中 前項界定的表達式必須是定長的，看如下示例：

(?<=aaa)????????#?正確
(?<=aaa|bbb)????#?正確
(?<=aaa|bb)????????#?錯誤
(?<=\d+)????????#?錯誤
(?<=\d{3})????????#?正確

2.3、條件匹配

這大概是最復(fù)雜的正則表達式了。語法如下：

語法描述

(?(id/name)yes|no)	如果指定分組存在，則匹配 yes 模式，否則匹配 no 模式

此語法極少用到，印象中只用過一次。

以下示例的要求是：如果以 _ 開頭，則以字母結(jié)尾，否則以數(shù)字結(jié)尾。

s1?=?'_abcd'
s2?=?'abc1'

pattern?=?'(_)?[a-zA-Z]+(?(1)[a-zA-Z]|\d)'

re.search(pattern,?s1).group()
re.search(pattern,?s2).group()

結(jié)果：

_abcd
abc1

2.4、findall

Python 中的 re.findall 是個比較特別的方法（之所以說它特別，是跟我常用的 C# 做比較，在沒看注釋之前我想當然的掉坑里去了）。我們看這個方法的官方注釋：

Return?a?list?of?all?non-overlapping?matches?in?the?string.

If?one?or?more?capturing?groups?are?present?in?the?pattern,?return?
a?list?of?groups;?this?will?be?a?list?of?tuples?if?the?pattern?
has?more?than?one?group.

Empty?matches?are?included?in?the?result.

簡單來說，就是

• 如果沒有分組，則返回整條正則匹配結(jié)果的列表；
• 如果有 1 個分組，則返回分組匹配到的結(jié)果的列表；
• 如果有多個分組，則返回分組匹配到的結(jié)果的元組的列表。

看下面的例子：

s?=?'aaa123bbb456ccc'

re.findall('[a-z]+\d+',?s)??????????#?不包含分組
re.findall('[a-z]+(\d+)',?s)????????#?包含一個分組
re.findall('([a-z]+(\d+))',?s)??????#?包含多個分組
re.findall('(?:[a-z]+(\d+))',?s)????#??:?不捕獲分組匹配結(jié)果

結(jié)果：

['aaa123',?'bbb456']
['123',?'456']
[('aaa123',?'123'),?('bbb456',?'456')]
['123',?'456']

零寬斷言中講到 Python 中前項界定必須是定長的，這很不方便，但是配合 findall 有分組時只取分組結(jié)果的特性，就可以模擬出非定長前項界定的效果了。

結(jié)語

其實正則就像是一個數(shù)學(xué)公式，會背公式不一定會做題。但其實這公式一點也不難，至少比學(xué)校里學(xué)的數(shù)學(xué)簡單多了，多練習(xí)幾次也就會了。

轉(zhuǎn)載于:https://www.cnblogs.com/gl1573/p/11363079.html

總結(jié)

以上是生活随笔為你收集整理的写爬虫，不会正则怎么行？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。