如何深入掌握Python3正则表达式的核心应用技巧？

本文共计5027个文字，预计阅读时间需要21分钟。

正则表达式+本节我们看一下正则表达式的相关用法，正则表达式是处理字符串的强大工具，它具有自己独特的语法结构，有了它，实现字符串的搜索、替换、匹配验证都变得不在话下。

正则表达式

本节我们看一下正则表达式的相关用法，正则表达式是处理字符串的强大的工具，它有自己特定的语法结构，有了它，实现字符串的检索、替换、匹配验证都不在话下。

当然对于爬虫来说，有了它，我们从HTML里面提取我们想要的信息就非常方便了。

实例引入

说了这么多，可能我们对它到底是个什么还是比较模糊，下面我们就用几个实例来感受一下正则表达式的用法。

我们打开开源中国提供的正则表达式测试工具tool.oschina.net/regex/，打开之后我们可以输入待匹配的文本，然后选择常用的正则表达式，就可以从我们输入的文本中得出相应的匹配结果了。

例如我们在这里输入待匹配的文本如下：

Hello, my phone number is 010-86432100 and email is cqc@cuiqingcai.com, and my website is cuiqingcai.com.

这段字符串中包含了一个电话号码和一个电子邮件，接下来我们就尝试用正则表达式提取出来。

我们在网页中选择匹配Email地址，就可以看到在下方出现了文本中的Email。如果我们选择了匹配网址URL，就可以看到在下方出现了文本中的URL。是不是非常神奇？

其实，在这里就是用了正则表达式匹配，也就是用了一定的规则将特定的文本提取出来。比如电子邮件它开头是一段字符串，然后是一个@符号，然后就是某个域名，这是有特定的组成格式的。另外对于URL，开头是协议类型，然后是冒号加双斜线，然后是域名加路径。

对于URL来说，我们就可以用下面的正则表达式匹配：

[a-zA-z]+://1*

如果我们用这个正则表达式去匹配一个字符串，如果这个字符串中包含类似URL的文本，那就会被提取出来。

这个正则表达式看上去是乱糟糟的一团，其实不然，这里面都是有特定的语法规则的。比如a-z代表匹配任意的小写字母，s表示匹配任意的空白字符，*就代表匹配前面的字符任意多个，这一长串的正则表达式就是这么多匹配规则的组合，最后实现特定的匹配功能。

写好正则表达式后，我们就可以拿它去一个长字符串里匹配查找了，不论这个字符串里面有什么，只要符合我们写的规则，统统可以找出来。那么对于网页来说，如果我们想找出网页源代码里有多少URL，就可以用匹配URL的正则表达式去匹配，就可以得到源码中的URL了。

在上面我们说了几个匹配规则，那么正则表达式的规则到底有多少？那么在这里把常用的匹配规则总结一下：

模式描述

w匹配字母数字及下划线

W匹配非字母数字及下划线

s匹配任意空白字符，等价于 [tnrf].

S匹配任意非空字符

d匹配任意数字，等价于 [0-9]

D匹配任意非数字

A匹配字符串开始

Z匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串

z匹配字符串结束

G匹配最后匹配完成的位置

n匹配一个换行符

t匹配一个制表符

^匹配字符串的开头

$匹配字符串的末尾。

.匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。

[...]用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k'

2不在[]中的字符：3 匹配除了a,b,c之外的字符。

*匹配0个或多个的表达式。

+匹配1个或多个的表达式。

?匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式

{n}精确匹配n个前面表达式。

{n, m}匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式

a|b匹配a或b

( )匹配括号内的表达式，也表示一个组

可能完了之后就有点晕晕的了把，不用担心，下面我们会详细讲解下一些常见的规则的用法。怎么用它来从网页中提取我们想要的信息。

Python中使用

其实正则表达式不是Python独有的，它在其他编程语言中也可以使用，但是Python的re库提供了整个正则表达式的实现，利用re库我们就可以在Python中使用正则表达式来，在Python中写正则表达式几乎都是用的这个库。

下面我们就来了解下它的用法。

match()

在这里首先介绍第一个常用的匹配方法，match()方法，我们向这个方法传入要匹配的字符串以及正则表达式，就可以来检测这个正则表达式是否匹配字符串了。

match()方法会尝试从字符串的起始位置匹配正则表达式，如果匹配，就返回匹配成功的结果，如果不匹配，那就返回None。

我们用一个实例来感受一下：

import re content = 'Hello 123 4567 World_This is a Regex Demo' print(len(content)) reresult = re.match('^Hello\s\d\d\d\s\d{4}\s\w{10}', content) print(result) print(result.group()) print(result.span())

运行结果：

41
<_sre.SRE_Match object; span=(0, 25), match='Hello 123 4567 World_This'>
Hello 123 4567 World_This
(0, 25)

在这里我们首先声明了一个字符串，包含英文字母、空白字符、数字等等内容，接下来我们写了一个正则表达式^Hellosdddsd{4}sw{10}来匹配这个长字符串。

开头的^是匹配字符串的开头，也就是以Hello开头，然后s匹配空白字符，用来匹配目标字符串的空格，d匹配数字，三个d匹配123，然后再写一个s匹配空格，后面还有4567，我们其实可以依然用四个d来匹配，但是这么写起来比较繁琐，所以在后面可以跟{4}代表匹配前面的字符四次，也就是匹配四个数字，这样也可以完成匹配，然后后面再紧接一个空白字符，然后w{10}匹配10个字母及下划线，正则表达式到此为止就结束了，我们注意到其实并没有把目标字符串匹配完，不过这样依然可以进行匹配，只不过匹配结果短一点而已。

我们调用match()方法，第一个参数传入了正则表达式，第二个参数传入了要匹配的字符串。

打印输出一下结果，可以看到结果是SRE_Match对象，证明成功匹配，它有两个方法，group()方法可以输出匹配到的内容，结果是Hello 123 4567 World_This，这恰好是我们正则表达式规则所匹配的内容，span()方法可以输出匹配的范围，结果是(0, 25)，这个就是匹配到的结果字符串在原字符串中的位置范围。

通过上面的例子我们可以基本了解怎样在Python中怎样使用正则表达式来匹配一段文字。

匹配目标

刚才我们用了match()方法可以得到匹配到的字符串内容，但是如果我们想从字符串中提取一部分内容怎么办呢？就像最前面的实例一样，从一段文本中提取出邮件或电话号等内容。

在这里可以使用()括号来将我们想提取的子字符串括起来，()实际上就是标记了一个子表达式的开始和结束位置，被标记的每个子表达式会依次对应每一个分组，我们可以调用group()方法传入分组的索引即可获取提取的结果。

下面我们用一个实例感受一下：

import re content = 'Hello 1234567 World_This is a Regex Demo' reresult = re.match('^Hello\s(\d+)\sWorld', content) print(result) print(result.group()) print(result.group(1)) print(result.span())

依然是前面的字符串，在这里我们想匹配这个字符串并且把其中的1234567提取出来，在这里我们将数字部分的正则表达式用()括起来，然后接下来调用了group(1)获取匹配结果。

运行结果如下：

<_sre.SRE_Match object; span=(0, 19), match='Hello 1234567 World'>
Hello 1234567 World
1234567
(0, 19)

可以看到在结果中成功得到了1234567，我们获取用的是group(1)，与group()有所不同，group()会输出完整的匹配结果，而group(1)会输出第一个被()包围的匹配结果，假如正则表达式后面还有()包括的内容，那么我们可以依次用group(2)、group(3)等来依次获取。

通用匹配

刚才我们写的正则表达式其实比较复杂，出现空白字符我们就写s匹配空白字符，出现数字我们就写d匹配数字，工作量非常大，其实完全没必要这么做，还有一个万能匹配可以用，也就是.，.可以匹配任意字符(除换行符)，又代表匹配前面的字符无限次，所以它们组合在一起就可以匹配任意的字符了，有了它我们就不用挨个字符地匹配了。

所以接着上面的例子，我们可以改写一下正则表达式。

import re content = 'Hello 123 4567 World_This is a Regex Demo' reresult = re.match('^Hello.*Demo$', content) print(result) print(result.group()) print(result.span())

在这里我们将中间的部分直接省略，全部用.*来代替，最后加一个结尾字符串就好了，运行结果如下：

<_sre.SRE_Match object; span=(0, 41), match='Hello 123 4567 World_This is a Regex Demo'>
Hello 123 4567 World_This is a Regex Demo
(0, 41)

可以看到group()方法输出了匹配的全部字符串，也就是说我们写的正则表达式匹配到了目标字符串的全部内容，span()方法输出(0, 41)，是整个字符串的长度。

因此，我们可以在使用.*来简化正则表达式的书写。

贪婪匹配与非贪婪匹配

在使用上面的通用匹配.*的时候可能我们有时候匹配到的并不是想要的结果，我们看下面的例子：

import re content = 'Hello 1234567 World_This is a Regex Demo' reresult = re.match('^He.*(\d+).*Demo$', content) print(result) print(result.group(1))

在这里我们依然是想获取中间的数字，所以中间我们依然写的是(d+)，数字两侧由于内容比较杂乱，所以两侧我们想省略来写，都写.，最后组成^He.(d+).*Demo$，看样子并没有什么问题，我们看下运行结果：

<_sre.SRE_Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>

7

奇怪的事情发生了，我们只得到了7这个数字，这是怎么回事？

这里就涉及一个贪婪匹配与非贪婪匹配的原因了，贪婪匹配下，.会匹配尽可能多的字符，我们的正则表达式中.后面是d+，也就是至少一个数字，并没有指定具体多少个数字，所以.*就尽可能匹配多的字符，所以它把123456也匹配了，给d+留下一个可满足条件的数字7，所以d+得到的内容就只有数字7了。

但这样很明显会给我们的匹配带来很大的不便，有时候匹配结果会莫名其妙少了一部分内容。其实这里我们只需要使用非贪婪匹配匹配就好了，非贪婪匹配的写法是.*?，多了一个?，那么它可以达到怎样的效果？我们再用一个实例感受一下：

import re content = 'Hello 1234567 World_This is a Regex Demo' reresult = re.match('^He.*?(\d+).*Demo$', content) print(result) print(result.group(1))

在这里我们只是将第一个.改成了.?，转变为非贪婪匹配匹配。结果如下：

<_sre.SRE_Match object; span=(0, 40), match='Hello 1234567 World_This is a Regex Demo'>

很好，这下我们就可以成功获取1234567了。原因可想而知，贪婪匹配是尽可能匹配多的字符，非贪婪匹配就是尽可能匹配少的字符，.?之后是d+用来匹配数字，当.?匹配到Hello后面的空白字符的时候，再往后的字符就是数字了，而d+恰好可以匹配，那么这里.?就不再进行匹配，交给d+去匹配后面的数字。所以这样，.?匹配了尽可能少的字符，d+的结果就是1234567了。

所以说，在做匹配的时候，字符串中间我们可以尽量使用非贪婪匹配来匹配，也就是用.?来代替.，以免出现匹配结果缺失的情况。

但这里注意，如果匹配的结果在字符串结尾，.*?就有可能匹配不到任何内容了，因为它会匹配尽可能少的字符，例如：

import re content = 'weibo.com/comment/kEraCN' reresult1 = re.match('ask.hellobi.com/(.*?)".*?singer="(.*?)">(.*?)</a>', html, re.S) print(results) print(type(results)) for result in results: print(result) print(result[0], result[1], result[2])

运行结果：

[('/2.mp3', '任贤齐', '沧海一声笑'), ('/3.mp3', '齐秦', '往事随风'), ('/4.mp3', 'beyond', '光辉岁月'), ('/5.mp3', '陈慧琳', '记事本'), ('/6.mp3', '邓丽君', '但愿人长久')]
<class 'list'>
('/2.mp3', '任贤齐', '沧海一声笑')
/2.mp3 任贤齐 沧海一声笑
('/3.mp3', '齐秦', '往事随风')
/3.mp3 齐秦 往事随风
('/4.mp3', 'beyond', '光辉岁月')
/4.mp3 beyond 光辉岁月
('/5.mp3', '陈慧琳', '记事本')
/5.mp3 陈慧琳 记事本
('/6.mp3', '邓丽君', '但愿人长久')
/6.mp3 邓丽君 但愿人长久

可以看到，返回的list的每个元素都是tuple类型，我们用对应的索引依次取出即可。

所以，如果只是获取第一个内容，可以用search()方法，当需要提取多个内容时，就可以用findall()方法。

sub()

正则表达式除了提取信息，我们有时候还需要借助于它来修改文本，比如我们想要把一串文本中的所有数字都去掉，如果我们只用字符串的replace()方法那就太繁琐了，在这里我们就可以借助于sub()方法。

我们用一个实例来感受一下：

import re content = '54aK54yr5oiR54ix5L2g' content = re.sub('\d+', '', content) print(content)

运行结果：

aKyroiRixLg

在这里我们只需要在第一个参数传入d+来匹配所有的数字，然后第二个参数是替换成的字符串，要去掉的话就可以赋值为空，第三个参数就是原字符串。

得到的结果就是替换修改之后的内容。

那么在上面的HTML文本中，如果我们想正则获取所有<li>节点的歌名，如果直接用正则表达式来提取可能比较繁琐，比如可以写成这样子：

reresults = re.findall('<li.*?>\s*?(<a.*?>)?(\w+)(</a>)?\s*?</li>', html, re.S) for result in results: print(result[1])

运行结果：

一路上有你
沧海一声笑
往事随风
光辉岁月
记事本
但愿人长久

但如果我们借助于sub()函数就比较简单了，我们可以先用sub()函数将节点去掉，只留下文本，然后再利用findall()提取就好了。

html = re.sub('<a.*?>|</a>', '', html) print(html) reresults = re.findall('<li.*?>(.*?)</li>', html, re.S) for result in results: print(result.strip())

运行结果：

<div id="songs-list"> <h2 class="title">经典老歌</h2> <p class="introduction"> 经典老歌列表 </p> <ul id="list" class="list-group"> <li data-view="2">一路上有你</li> <li data-view="7"> 沧海一声笑 </li> <li data-view="4" class="active"> 往事随风 </li> <li data-view="6">光辉岁月</li> <li data-view="5">记事本</li> <li data-view="5"> 但愿人长久 </li> </ul> </div>

一路上有你
沧海一声笑
往事随风
光辉岁月
记事本
但愿人长久

可以到标签在经过sub()函数处理后都没有了，然后再findall()直接提取即可。所以在适当的时候我们可以借助于sub()方法做一些相应处理可以事半功倍。

compile()

前面我们所讲的方法都是用来处理字符串的方法，最后再介绍一个compile()方法，这个方法可以讲正则字符串编译成正则表达式对象，以便于在后面的匹配中复用。

import re content1 = '2016-12-15 12:00' content2 = '2016-12-17 12:55' content3 = '2016-12-22 13:21' pattern = re.compile('\d{2}:\d{2}') reresult1 = re.sub(pattern, '', content1) reresult2 = re.sub(pattern, '', content2) reresult3 = re.sub(pattern, '', content3) print(result1, result2, result3)

例如这里有三个日期，我们想分别将三个日期中的时间去掉，所以在这里我们可以借助于sub()方法，sub()方法的第一个参数是正则表达式，但是这里我们没有必要重复写三个同样的正则表达式，所以可以借助于compile()函数将正则表达式编译成一个正则表达式对象，以便复用。

运行结果：

2016-12-15 2016-12-17 2016-12-22

另外compile()还可以传入修饰符，例如re.S等修饰符，这样在search()、findall()等方法中就不需要额外传了。所以compile()方法可以说是给正则表达式做了一层封装，以便于我们更好地复用。

到此为止，正则表达式的基本用法就介绍完毕了，后面我们会有实战来讲解正则表达式的使用。

总结

以上所述是小编给大家介绍的Python3中的正则表达式的基本用法,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对易盾网络网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！