随笔--正则表达式进阶

1.避免转义字符引起的问题

使用原字符串定义正则表达式

p = r'正则表达式'

[]中用^取反

\s 匹配到的空格都有[\t\n\f\v\r]

2. 分组的进阶

分组（捕获分组：只捕获分组中内容，其他只要匹配即可）

group()返回匹配的字符串

groups()以元组的形式返回符合所有组中匹配的字符串，一个组为一个字符串

group(n) 第n个分组中匹配到的内容str，组编号是从 1 开始的

start() 返回匹配的起始位置

end() 返回匹配的结束位置

span(group=0) 返回匹配的索引位置元组

span(group=n) 返回匹配第n个组的索引位置出现(){m}一个分组匹配多次的这种情况，span()会将这个组的最后一次匹配索引位置输出 import re p1 = r'(123){2}(da)' m = re.search(p1,'55123123dasdasda123123asd') print(m) print(m.group()) print(m.groups()) print(m.group(1)) // 输出 <_sre.SRE_Match object; span=(2, 10), match='123123da'> 123123da ('123', 'da') 123 【注】(123){2}只分了一个组，{2}只是指匹配两次

分组命名

(?P<分组名>正则表达式)

反向引用分组 （在后期爬虫会用到 ）

p = r‘<([\w]+)>.*</\1>’

\1指引用分组([\w]+)匹配到的内容，进行匹配

import re regex = re.compile(r'\d+') str1 = '55123123dasdasda123123' regex2 = re.compile(r'((\w)\w*?\2)') allstr2 = regex2.findall(str1) print(allstr2) # [('55', '5'), ('1231', '1'), ('23dasdasda12', '2'), ('3123', '3')]

非捕获分组

介绍：只是将小括号作为一个整体进行匹配，要捕获整个正则表达式

使用：(?:正则表达式)

3. 编译正则表达式

re.compile(pattern[,flags=0])

使用方式

re.flag名 简写和全称都可以

标识含义re.S ---- re.DOTALL使得.匹配包括换行符在内的所有字符(’.'不包含换行符)re.I ---- re.IGNORECASE使得匹配对大小写不敏感re.M ---- re.MUTILINE多行匹配。（影响^和$）re.X ---- re.VERBOSE能够让正则表达式组织（表现）的清晰易懂。为了增加可读性，忽略空格和 # 后面的注释re.A — re.ASCII采用ASCII编码re.U — re.UNICODE采用UNICODE编码

4. 常用的方法(快速回忆)

1. re.match(pattern, string, flag=0)

2. re.search(pattern, string, flag=0)

3. re.findall(pattern, string, flag=0) 返回一个列表

4. re.finditer(pattern, string, flag=0)

5. re.sub(pattern, rep1, string, count=0 , flag=0)

替换字符串

count：替换次数；count默认为0，表示次数无限制

6. re.subn(pattern, rep1, string, flag=0 )

替换字符串并返回替换的次数

7. re.spilt(pattern,string,maxsplit = 0,flag=0)

切割字符串

maxsplit：为最大分割次数；maxsplit = 0, 默认为0，表示分割次数没有限制

8. re.compile(pattern, flag=0)

函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，提高效率

多个标志使用’|'间隔开

编译后的对象regex可以直接使用对应的方法

regex.方法(string,[, pos [, endpos ] ] )

string : 待匹配的字符串。pos : 可选参数，指定字符串的起始位置，默认为 0。endpos : 可选参数，指定字符串的结束位置，默认为字符串的长度。设置超过字符串长度也不会报错

实例：

regex = re.compile(r'\d+') str1 = '55123123dasdasda123123' allstr = regex.findall(str1,2,len(str1)) print(allstr) ['123123', '123123']