Python 常用模块之re 正则表达式的使用

re模块用来使用正则表达式。正则表达式用来对字符串进行搜索的工作。我们最应该掌握正则表达式的查询，更改，删除的功能。特别是做爬虫的时候，re模块就显得格外重要。

1.查询

import re
a = re.match("abc","aabccc")
b = re.search("abc","aabcc")
print("a =",a)
print("b =",b)

 

运行结果： a = None b = <_sre.SRE_Match object; span=(1, 4), match='abc'>

 

re.match是从字符串开头开始匹配，如果和匹配字符不同，即便字符串内包含相同内容，返回值也为空。而re.search是匹配字符串内，只要字符串内包含被搜索内容，就有返回值。

这里，查询的结论是无的话，返回值就是None。我们可以把它和if或者while等循环配合起来使用，如果需要调用搜寻结果，需要在返回值后加.group()。

a = ["abcdef","aaccd","aadfa","adffadsfabc"]
for i in a:
    if re.search("abc",i):
        print("%s内包含:%s"%(i,re.search("abc",i).group()))

运行结果：
abcdef内包含:abc
adffadsfabc内包含:abc

还有一种查询方法 

a = "123456789aaa123aaa654"
print(re.findall("aaa",a))

运行结果： ['aaa', 'aaa']

re.findall就是把字符串内所有的关键字都搜索出来生成列表输出。

2.更改

a = "123456789aaa123aaa654"
print("全部更改：",re.sub("aaa","bbb",a))
print("更改指定次数：",re.sub("aaa","bbb",a,count=1))
print("删除搜索内容：",re.sub("aaa","",a))

运行结果： 全部更改： 123456789bbb123bbb654 更改指定次数： 123456789bbb123aaa654 删除搜索内容： 123456789123654

用re.sub可以对对字符串进行更改或删除的操作。注意re.sub后没有.group()的用法。

此外还有一个分割的用法：

a = "123456789aaa123aaa654"
print(re.split("aaa",a))

运行结果： ['123456789', '123', '654']

将原字符串按照搜索的关键字分割成一个列表输出。

---

             　　　　　　　　　　　　　　　　    　　　                分         　　　　　　　　　　　　　    割        　　　　　　　　　　                  线                                                　　　　　　　　           　　　　　　  

---

掌握了最基础的语法后，我们要了解一下较为复杂的正则表达式的使用方法了：

首先，我们要先了解正则表达式的表达符号

'.'     默认匹配除\n之外的任意一个字符，若指定flag DOTALL,则匹配任意字符，包括换行
'^'     匹配字符开头，若指定flags MULTILINE,这种也可以匹配上(r"^a","\nabc\neee",flags=re.MULTILINE)
'$'     匹配字符结尾，或e.search("foo$","bfoo\nsdfsf",flags=re.MULTILINE).group()也可以
'*'     匹配*号前的字符0次或多次，re.findall("ab*","cabb3abcbbac")  结果为['abb', 'ab', 'a']
'+'     匹配前一个字符1次或多次，re.findall("ab+","ab+cd+abb+bba") 结果['ab', 'abb']
'?'     匹配前一个字符1次或0次
'{m}'   匹配前一个字符m次
'{n,m}' 匹配前一个字符n到m次，re.findall("ab{1,3}","abb abc abbcbbb") 结果'abb', 'ab', 'abb']
'|'     匹配|左或|右的字符，匹配到先出现的就停止。
'(...)' 分组匹配，re.search("(abc){2}a(123|456)c", "abcabca456c").group() 结果 abcabca456c

还有一些搜索方式

'\A'    只从字符开头匹配，re.search("\Aabc","alexabc") 是匹配不到的
'\Z'    匹配字符结尾，同$
'\d'    匹配数字0-9
'\D'    匹配非数字
'\w'    匹配[A-Za-z0-9]
'\W'    匹配非[A-Za-z0-9]
's'     匹配空白字符、\t、\n、\r , re.search("\s+","ab\tc1\n3").group() 结果 '\t'
'(?P<name>...)' 分组匹配 

(?P<name>...)分组匹配：相当于每个关键字前加一个key生成一个字典，比方我们要匹配一个身份证号，匹配规则是前六位数字地址码，八位数字出生日期码，三位数字顺序码和一位数字校验码。

ID = "410110199912121234"
a = re.search("(?P<address>[0-9]{6})(?P<birthday>[0-9]{8})(?P<order>[0-9]{3})(?P<check>[0-9]{1})",ID).groupdict()
print(a)

运行结果： {'address': '410110', 'birthday': '19991212', 'order': '123', 'check': '4'}

 

现在，我们可以举个栗子吧了：我们想做一个加法计算器，第一步就是要把两个计算的加数搜索出来，最简单的方式是这样：

import re
cul = "123+456"
a = re.search("\d+[+]",cul).group()[:-1]
b = re.search("[+]\d+",cul).group()[1:]
print("a = %s,b = %s"%(a,b))

运行结果： a = 123,b = 456

我们在返回值里用了切片的方法，删除了返回值中的加号“+”。

这时候再想一想：要是a或b之间有小数点怎么办？用这样的方法就不行了吧！我们把cul赋值为"1.23+3.45"运行一下：

运行结果：
a = 23,b = 4

明显不对了，怎么办呢？需要把小数点也加进去

import re
cul = "1.23+4.56"
a = re.search("\d+[.]\d+[+]",cul).group()[:-1]
b = re.search("[+]\d+[.]\d+",cul).group()[1:]
print("a = %s,b = %s"%(a,b))

运行结果： a = 1.23,b = 4.56

可是还有个问题，小数点不是每次都有啊，怎么让它自己判断呢？可以加个”?“

import re
def add(cul):
    a = re.search("(\d+)?[.]?\d+[+]",cul).group()[:-1]
    b = re.search("[+]\d+[.]?(\d+)?",cul).group()[1:]
    print("a = %s,b = %s"%(a,b))
add("1.23+4.56")
add("123+456")

运行结果：
add("1.23+4.56") add("123+456")

这里有个很关键的问题：

　　正则表达式中的字符采用的是转义字符，如果需要匹配的字符为"aa\\bb\\cc"时，每个"\"前都须加一个"\"，就成了"aa\\\\bb\\\\cc"在匹配字符串内有”+“、”*“时都需要加上反斜杠。我们可以把匹配的字符串前加"r",就可以不用在每个"\"前都再加上"\"，程序也更加直观。

 此外，我们还可以把变量套进正则表达式中

import re
ans = "2"
cul = "(6-4)*2"
cul2 = "6-4"
print("简化后：",re.sub("[(]%s[)]"%cul2,ans,cul))#匹配的表达式为一个变量

运行结果： 简化后： 2*2

但这里要注意一下：如果表达式内有加号或乘号时是不能这样使用的，即便在表达式前加"r"也不行，必须把+换成\+

import re
ans = "10"
cul = "(6+4)*2"
cul2 = "6\+4"  #这个地方的+或*必须用\+或\*
print("简化后：",re.sub("[(]%s[)]"%cul2,ans,cul))

运行结果： 简化后： 10*2
 

还有一些更复杂的方法，需要我们慢慢研究吧！