前言

正則表達(dá)式處理文本有如疾風(fēng)掃秋葉，絕大部分編程語言都內(nèi)置支持正則表達(dá)式，它應(yīng)用在諸如表單驗(yàn)證、文本提取、替換等場景。爬蟲系統(tǒng)更是離不開正則表達(dá)式，用好正則表達(dá)式往往能收到事半功倍的效果。

介紹正則表達(dá)式前，先來看一個(gè)問題，下面這段文本來自豆瓣的某個(gè)網(wǎng)頁鏈接，我對內(nèi)容進(jìn)行了縮減。問：如何提取文本中所有郵箱地址呢？

html = """
  <style>
   .qrcode-app{
    display: block;
    background: url(/pics/qrcode_app4@2x.png) no-repeat;
   }
  </style>

  <div class="reply-doc content">
   <p class="">34613453@qq.com，謝謝了</p>
   <p class="">30604259@qq.com麻煩樓主</p>
  </div>
  <p class="">490010464@163.com<br/>謝謝</p>
  """

如果你還沒接觸過正則表達(dá)式，我想對此會是一籌莫展，不用正則，似乎想不到一種更好的方式來處理，不過，我們暫且放下這個(gè)問題，待學(xué)習(xí)完正則表達(dá)式之后再來考慮如何解決。

字符串的表現(xiàn)形式

Python 字符串有幾種表現(xiàn)形式，以u開頭的字符串稱為Unicode字符串，它不在本文討論范圍內(nèi)，此外，你應(yīng)該還看到過這兩種寫法：

>>> foo = "hello"
>>> bar = r"hello"

前者是常規(guī)字符串，后者 r 開頭的是原始字符串，兩者有什么區(qū)別？因?yàn)樵谏厦娴睦又?，它們都是由普通文本字符組成的串，在這里沒什么區(qū)別，下面可以證明

>>> foo is bar
True
>>> foo == bar
True

但是，如果字符串中包括有特殊字符，會是什么情況呢？再來看一個(gè)例子：

>>> foo = "\n"
>>> bar = r"\n"

>>> foo, len(foo)
('\n', 1)
>>> bar, len(bar)
('\\n', 2)
>>> foo == bar
False
>>>

"\n" 是一個(gè)轉(zhuǎn)義字符，它在 ASCII 中表示換行符。而 r"\n" 是一個(gè)原始字符串，原始字符串不對特殊字符進(jìn)行轉(zhuǎn)義，它就是你看到的字面意思，由 "\" 和 "n" 兩個(gè)字符組成的字符串。

定義原始字符串可以用小寫r或者大寫R開頭，比如 r"\b" 或者 R"\b" 都是允許的。在 Python 中，正則表達(dá)式一般用原始字符串的形式來定義，為什么呢？

舉例來說，對于字符 "\b" 來說，它在 ASCII 中是有特殊意義的，表示退格鍵，而在正則表達(dá)式中，它是一個(gè)特殊的元字符，用于匹配一個(gè)單詞的邊界，為了能讓正則編譯器正確地表達(dá)它的意義就需要用原始字符串，當(dāng)然也可以使用反斜杠 "\" 對常規(guī)定義的字符串進(jìn)行轉(zhuǎn)義

>>> foo = "\\b"
>>> bar = r"\b"
>>> foo == bar
True

正則基本介紹

正則表達(dá)式由普通文本字符和特殊字符（元字符）兩種字符組成。元字符在正則表達(dá)式中具有特殊意義，它讓正則表達(dá)式具有更豐富的表達(dá)能力。例如，正則表達(dá)式 r"a.d"中 ，字符 'a' 和 'd' 是普通字符，'.' 是元字符，. 可以指代任意字符，它能匹配 'a1d'、'a2d'、'acd' ，它的匹配流程是：

Python 內(nèi)置模塊 re 是專門用于處理正則表達(dá)式的模塊。

>>> rex = r"a.d" # 正則表達(dá)式文本
>>> original_str = "and" # 原始文本
>>> pattern = re.compile(rex) # 正則表達(dá)式對象
>>> m = pattern.match(original_str) # 匹配對象
>>> m 
<_sre.SRE_Match object at 0x101c85b28>

# 等價(jià)于
>>> re.match(r"a.d", "and")
<_sre.SRE_Match object at 0x10a15dcc8>

如果原文本字符串與正則表達(dá)式匹配，那么就會返回一個(gè) Match 對象，當(dāng)不匹配時(shí)，match 方法返回的 None，通過判斷m是否為None可進(jìn)行表單驗(yàn)證。

接下來，我們需要學(xué)習(xí)更多元字符。

基本元字符

• .：匹配除換行符以外的任意一個(gè)字符，例如："a.c" 可以完全匹配 "abc"，也可以匹配 "abcef" 中的 "abc"
• \： 轉(zhuǎn)義字符，使特殊字符具有本來的意義，例如： 1\.2 可以匹配 1.2
• [...]：匹配方括號中的任意一個(gè)字符，例如：a[bcd]e 可以匹配 abe、ace、ade，它還支持范圍操作，比如：a到z可表示為 "a-z"，0到9可表示為 "0-9"，注意，在 "[]" 中的特殊字符不再有特殊意義，就是它字面的意義，例如：[.*]就是匹配 . 或者 *
• [^...]，字符集取反，表示只要不是括號中出現(xiàn)的字符都可以匹配，例如：a[^bcd]e 可匹配 aee、afe等
  

>>> re.match(r"a.c", "abc").group()
'abc'
>>> re.match(r"a.c", "abcef").group()
'abc'
>>> re.match(r"1\.2", "1.2").group()
'1.2'
>>> re.match(r"a[0-9]b", "a2b").group()
'a2b'
>>> re.match(r"a[0-9]b", "a5b11").group()
'a5b'
>>> re.match(r"a[.*?]b", "a.b").group()
'a.b'
>>> re.match(r"abc[^\w]", "abc!123").group()
'abc!

group 方法返回原字符串(abcef)中與正則表達(dá)式相匹配的那部分子字符串(abc)，提前是要匹配成功 match 方法才會返回 Match 對象，進(jìn)而才有g(shù)roup方法。

預(yù)設(shè)元字符

• \w 匹配任意一個(gè)單詞字符，包括數(shù)字和下劃線，它等價(jià)于 [A-Za-z0-9_]，例如 a\wc 可以匹配 abc、acc
• \W 匹配任意一個(gè)非單詞字符，與 \w 操作相反，它等價(jià)于 [^A-Za-z0-9_]，例如： a\Wc 可匹配 a!c
• \s 匹配任意一個(gè)空白字符，空格、回車等都是空白字符，例如：a\sc 可以配 a\nc，這里的 \n表示回車
• \S 匹配任意一個(gè)非空白字符
• \d 匹配任意一個(gè)數(shù)字，它等價(jià)于[0-9]，例如：a\dc 可匹配 a1c、a2c ...
• \D 匹配任意一個(gè)非數(shù)字
  

邊界匹配

邊界匹配相關(guān)的符號專門用于修飾字符。

• ^ 匹配字符的開頭，在字符串的前面，例如：^abc 表示匹配 a開頭，后面緊隨bc的字符串，它可以匹配 abc
• $ 匹配字符的結(jié)尾，在字符串的末尾位置，例如： hello$
  

>>> re.match(r"^abc","abc").group()
'abc'
>>> re.match(r"^abc$","abc").group()
'abc'

重復(fù)匹配

前面的元字符都是針對單個(gè)字符來匹配的，如果希望匹配的字符重復(fù)出現(xiàn)，比如匹配身份證號碼，長度18位，那么就需要用到重復(fù)匹配的元字符

• * 重復(fù)匹配零次或者更多次
• ? 重復(fù)匹配零次或者一次
• + 重復(fù)匹配1次或者多次
• {n} 重復(fù)匹配n次
• {n,} 重復(fù)匹配至少n次
• {n, m} 重復(fù)匹配n到m次
  

# 簡單匹配身份證號碼，前面17位是數(shù)字，最后一位可以是數(shù)字或者字母X
>>> re.match(r"\d{17}[\dX]", "42350119900101153X").group()
'42350119900101153X'

# 匹配5到12的QQ號碼
>>> re.match(r"\d{5,12}$", "4235011990").group()
'4235011990'

邏輯分支

匹配一個(gè)固定電話號碼，不同地區(qū)規(guī)則不一樣，有的地方區(qū)號是3位，電話是8位，有的地方區(qū)號是4位，電話為7位，區(qū)號與號碼之間用 - 隔開，如果應(yīng)對這樣的需求呢？這時(shí)你需要用到邏輯分支條件字符 |，它把表達(dá)式分為左右兩部分，先嘗試匹配左邊部分，如果匹配成功就不再匹配后面部分了，這是邏輯 "或" 的關(guān)系

# abc|cde 可以匹配abc 或者 cde，但優(yōu)先匹配abc
>>> re.match(r"aa(abc|cde)","aaabccde").group()
'aaabc'

0\d{2}-\d{8}|0\d{3}-\d{7} 表達(dá)式以0開頭，既可以匹配3位區(qū)號8位號碼，也可以匹配4位區(qū)號7位號碼

>>> re.match(r"0\d{2}-\d{8}|0\d{3}-\d{7}", "0755-4348767").group()
'0755-4348767'
>>> re.match(r"0\d{2}-\d{8}|0\d{3}-\d{7}", "010-34827637").group()
'010-34827637'

分組

前面介紹的匹配規(guī)則都是針對單個(gè)字符而言的，如果想要重復(fù)匹配多個(gè)字符怎么辦，答案是，用子表達(dá)式（也叫分組）來表示，分組用小括號"()"表示，例如 (abc){2} 表示匹配abc兩次， 匹配一個(gè)IP地址時(shí)，可以使用 (\d{1,3}\.){3}\d{1,3}，因?yàn)镮P是由4組數(shù)組3個(gè)點(diǎn)組成的，所有，前面3組數(shù)字和3個(gè)點(diǎn)可以作為一個(gè)分組重復(fù)3次，最后一部分是一個(gè)1到3個(gè)數(shù)字組成的字符串。如：192.168.0.1。

關(guān)于分組，group 方法可用于提取匹配的字符串分組，默認(rèn)它會把整個(gè)表達(dá)式的匹配結(jié)果當(dāng)做第0個(gè)分組，就是不帶參數(shù)的 group() 或者是 group(0)，第一組括號中的分組用group(1)獲取，以此類推

>>> m = re.match(r"(\d+)(\w+)", "123abc")
＃分組０，匹配整個(gè)正則表達(dá)式
>>> m.group()
'123abc'
#等價(jià)
>>> m.group(0)
'123abc'
# 分組1，匹配第一對括號
>>> m.group(1)
'123'
# 分組2，匹配第二對括號
>>> m.group(2)
'abc'
>>>

通過分組，我們可以從字符串中提取出想要的信息。另外，分組還可以通過指定名字的方式獲取。

# 第一個(gè)分組的名字是number
# 第二個(gè)分組的名字是char
>>> m = re.match(r"(?P<number>\d+)(?P<char>\w+)", "123abc")
>>> m.group("number")
'123'
# 等價(jià)
>>> m.group(1)
'123'

貪婪與非貪婪

默認(rèn)情況下，正則表達(dá)式重復(fù)匹配時(shí)，在使整個(gè)表達(dá)式能得到匹配的前提下盡可能匹配多的字符，我們稱之為貪婪模式，是一種貪得無厭的模式。例如： r"a.*b" 表示匹配 a 開頭 b 結(jié)尾，中間可以是任意多個(gè)字符的字符串，如果用它來匹配 aaabcb，那么它會匹配整個(gè)字符串。

>>> re.match(r"a.*b", "aaabcb").group()
'aaabcb'

有時(shí)，我們希望盡可能少的匹配，怎么辦？只需要在量詞后面加一個(gè)問號" ？"，在保證匹配的情況下盡可能少的匹配，比如剛才的例子，我們只希望匹配 aaab，那么只需要修改正則表達(dá)式為 r"a.*?b"

>>> re.match(r"a.*?b", "aaabcb").group()
'aaab'
>>>

非貪婪模式在爬蟲應(yīng)用中使用非常頻繁。比如之前在公眾號「Python之禪」曾寫過一篇爬取網(wǎng)站并將其轉(zhuǎn)換為PDF文件的場景，在網(wǎng)頁上涉及img標(biāo)簽元素是相對路徑的情況，我們需要把它替換成絕對路徑

>>> html = '<img src="/images/category.png"><img src="/images/js_framework.png">'

# 非貪婪模式就匹配的兩個(gè)img標(biāo)簽
# 你可以改成貪婪模式看看可以匹配幾個(gè)
>>> rex = r'<img.*?src="(.*?)">'
>>> re.findall(rex, html)
['/images/category.png', '/images/js_framework.png']
>>>

>>> def fun(match):
...  img_tag = match.group()
...  src = match.group(1)
...  full_src = "http://foofish.net" + src
...  new_img_tag = img_tag.replace(src, full_src)
...  return new_img_tag
...
>>> re.sub(rex, fun, html)
<img src="http://foofish.net/images/category.png"><img src="http://foofish.net/images/js_framework.png">

sub 函數(shù)可以接受一個(gè)函數(shù)作為替換目標(biāo)對象，函數(shù)返回值用來替換正則表達(dá)式匹配的部分，在這里，我把整個(gè)img標(biāo)簽定義為一個(gè)正則表達(dá)式 r''，group() 返回的值是 <img src="/images/category.png"> ，而 group(1) 的返回值是 /images/category.png，最后，我用 replace 方法把相對路徑替換成絕對路徑。

到此，你應(yīng)該對正則表達(dá)式有了初步的了解，現(xiàn)在我想你應(yīng)該能解決文章開篇提的問題了。

正則表達(dá)式的基本介紹也到這里告一段落，雖然代碼示例中用了re模塊中的很多方法，但我還沒正式介紹該模塊，考慮到文章篇幅，我把這部分放在下篇，下篇將對re的常用方法進(jìn)行介紹。

總結(jié)

以上就是這篇文章的全部內(nèi)容，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作能帶來一定的幫助，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

最新評論