re模块

• 每篇前言：
• 0.正则表达式所面向的问题
• 1.正则表达式RE
• • （1）基础：
  • • 1.代码演示：
    • 3.常用匹配规则（元字符）：
    • • （1）什么是元字符？
      • （2）常用元字符有哪些 ？
    • 4.正则表达式的转义：
    • 5.贪婪模式和非贪婪模式：
  • （2）函数：
  • • （1）re.findall(pattern,string,flags=0)
    • （2）re.match（pattern,string,flags=0）
    • • 第一部分：
      • 第二部分：
    • （3）re.search（pattern,string,flags=0）
    • （4）re.sub（pattern,replace,string,max,flags=0）
    • （5）re.compile(pattern, flags=0):
  • （3）实战—猫眼电影TOP100电影信息爬取：

每篇前言：

• 🏆🏆作者介绍：【孤寒者】—CSDN全栈领域优质创作者、HDZ核心组成员、华为云享专家Python全栈领域博主、CSDN原力计划作者

• 🔥🔥本文已收录于Python全栈系列专栏：《Python全栈基础教程》以及爬虫专栏：《爬虫从入门到精通系列教程》
• 📝​📝广大非前端程序猿，为的是大家快速入门并掌握前端基础知识【HTML，JavaScript,CSS】，同时穿插有前端小设计习题，巩固学习。
• 🎉🎉订阅专栏后可私聊进一千多人Python全栈交流群（手把手教学，问题解答）； 进群可领取Python全栈教程视频 + 多得数不过来的计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
• 🚀🚀加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！

---

       👇
👉🚔直接跳到末尾🚔👈 ——>领取专属粉丝福利💖
       ☝️

开源中国提供的正则表达式测试工具点我！

0.正则表达式所面向的问题

1. 判断一个字符串是否匹配给定的格式；
   如判断用户注册帐号是否满足格式
   【这点在web服务器中使用尤为多哦~我们甚至可以在任何地方使用正则表达式自定义校验器！具体可以看看这个专栏：《Django框架从入门到实战》，Free的哦！！！】

2. 从一个字符串中按指定格式提取信息；
   如判断用户提交的邮箱的格式是否正确。
   我们知道邮箱格式是【一个或多个字母或数字@一个或多个字母或数字.com】
   对应正则表达式就是【r‘^[a-zA-Z0-9]+@[a-zA-Z0-9]+\.com$'】
   看不懂也没关系哦！等你认认真真把本文琢磨透你就会发现这狠简单，甚至你会感觉我这种方法有点LOW，那当然更好了！！！

3. 抓取页面中的链接。
   

1.正则表达式RE

1. 为什么使用？
   因为很多重要信息隐藏在复杂的文本中，re可以找到哦！
2. 是什么？
   从文本中定位需求内容的技术/规则。
3. 怎么玩？
   见下：

（1）基础：

1.代码演示：

 正则表达式并不是python所特有的，它也可以用在其它编程语言中。但是Python的re库提供了整个正则表达式的实现，利用这个库，可以在Python中使用正则表达式。
 所以开头我就先来点实战小例子带大家简单操作一下（希望大家不要只是看，切勿眼高手低，安安稳稳的跟着我这敲一遍哦~
）：

import restr="网络爬虫大hEllo声告1231诉的433根深345蒂固7789网allen.时光飞逝股嘛份的嘛\n广泛嘛地吧自动安排"##第一部分：字符#普通字符#1.匹配规则：每个普通字符匹配其对应的字符print(re.findall("自动",str))  #输出为：['自动']# 拓展：匹配字符串中的.print(re.findall("\.",str))    #输出为：['.']#或关系   元字符：|#2.匹配规则：匹配|两侧任意的正则表达式即可print(re.findall("网|嘛",str))  #输出为：['网', '网', '嘛', '嘛']#元字符  .#3.匹配规则：匹配除换行外的任意一个字符print(re.findall("嘛.",str))  #输出为：['嘛份', '嘛地']print(re.findall("嘛.",str,re.S))    #输出为：['嘛份', '嘛\n', '嘛地']# 注意：正则表达式中， re.S的作用：# “.”的作用是匹配除“\n”以外的任何字符，也就是说，它是在一行中进行匹配。这里的“行”是以“\n”进行区分的。# 如果不使用re.S参数，则只在每一行内进行匹配，如果一行没有，就换下一行重新开始，不会跨行。# 而使用re.S参数以后，正则表达式会将这个字符串作为一个整体，将“\n”当做一个普通的字符加入到这个字符串中，在整体中进行匹配。print("第二部分：字符集","*"*50)#第二部分：字符集#元字符：  [字符集]#4.匹配规则：匹配字符集中的任意一个字符[0-9],[a-z],[A-Z]print(re.findall("[大的时光]",str))  #输出为：['大', '的', '时', '光', '的']print(re.findall("[0123456789]",str))#输出为：['1', '2', '3', '1', '4', '3', '3', '3', '4', '5', '7', '7', '8', '9']#拓展：{}可以选择数量：{4}表示选择四个在一起的；{m,n}表示匹配m次到n次的。print(re.findall("[0123456789]{2}",str))     #输出为：['12', '31', '43', '34', '77', '89']print(re.findall("[a-zA-Z]{5}",str))  #输出为：['hEllo', 'allen']print("第三部分：常用","*"*50)##第三部分：常用#元字符：^#匹配规则：匹配目标字符串的开头位置print(re.findall("^hEllo","hEllodfdff")) #不管hEllo后面是什么样的，只要开头符合就可匹配到#元字符： $s#匹配规则：匹配目标字符串的结尾位置print(re.findall("hEllo$","sdfsdfsdfdfhEllo"))  #不管hEllo前面是什么，只要结尾符合就可匹配到#匹配字符重复#元字符  *#匹配规则：匹配前面的字符出现0次或多次print(re.findall("wo*","wooooooooo#$#w>>")) #输出为：['wooooooooo', 'w']#元字符  +#匹配规则：匹配前面的字符出现1次或多次print(re.findall("wo+","wooooooooo#$#w>>"))  #输出为：['wooooooooo']#元字符  ？#匹配规则：匹配前面的字符出现0次或1次print(re.findall("wo?","wooooooooo#$#w>"))   #输出为：['wo', 'w']#元字符  {n}#匹配规则：匹配前面的字符出现n次print(re.findall('1[0-9]{10}',"Jame:15659264582bir200001110052"))#输出为：['15659264582']#元字符  {m,n}#匹配规则：匹配前面的字符出现m-n次print(re.findall('[0-9]{5,10}',"Broon:095594 660956780"))#匹配任意（非）数字字符#元字符：   \d   \D#匹配规则：\d匹配任意数字字符    \D匹配任意非数字字符print(re.findall("\d{2,4}","Mysql:3306,http:88"))#匹配任意（非）普通字符#元字符  \w  \W#匹配规则:\w匹配普通字符    \W匹配非普通字符#说明：普通字符指数字，字母，下划线，汉子print(re.findall("\w+","路灯serve=? #8888"))#匹配任意（非）空字符#元字符：  \s  \S#匹配规则：\s匹配空格符   \S匹配非空字符#说明：空字符指 空格 \r \n \t \v \f字符print(re.findall("\w\S+\w+","hello \r \n \t\f  word"))#匹配开头结尾位置#元字符：\A  \Z#匹配规则：\A表示开头位置，或者^   \Z表示结尾位置,或者$print(re.findall("^h.....","hello path"))print(re.findall("\Ah.....","hello path"))print(re.findall(".h\Z","sddfh"))print(re.findall(".h$","sddfh"))#匹配（非）单词的边界位置#元字符：\b   \B#规则：\b表示单词边界  \B表示非单词边界#说明：单词边界指数字字母（汉子）下划线与其他字符的交界位置print(re.findall(r'\ba',"The a is asb"))

3.常用匹配规则（元字符）：

（1）什么是元字符？

• 本身具有特殊含义的字符

（2）常用元字符有哪些 ？

• 如下：

4.正则表达式的转义：

5.贪婪模式和非贪婪模式：

1. 定义：
   贪婪模式：默认情况下，匹配重复的元字符总是尽可能多的向后匹配内容，比如：*+。
   非贪婪模式（懒惰模式）：让匹配重复的元字符尽可能少的向后匹配内容。
2. 贪婪模式转换为非贪婪模式
   在匹配重复元字符后加"?"即可

举例讲解二者区别：
使用通用匹配.*时，有时候匹配到的可能并不是我们想要的结果！如下：

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

我们依然想获取中间的数字，所以中间依然写的是(\d+)。数字两侧内容杂乱，所以直接使用.*。最后，组成^Hello.*(\d+).*World，看样子都OK，下面看运行结果：

我们只得到了数字7，分析： 此处就涉及到了一个贪婪匹配和非贪婪匹配的问题！在贪婪模式下，.*会匹配尽可能多的字符。正则表达式中.*后面是\d+，也就是至少一个数字，但并没有指定具体多少个数字，因此，.*就尽可能匹配多的字符，这里就把123456都匹配了，给\d+留下一个可满足条件的数字7，最后内容就只剩下数字7了！ 但这很明显会给我们带来很大的不便，有时候，匹配结果会莫名其妙的少了一部分的内容。其实，只要使用非贪婪模式就可以解决这个问题。非贪婪匹配的写法是.*?，多了一个?。

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

此时就可以成功获取1234567了。分析：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。当.*?匹配到Hello后面的空白字符时，再后面就是数字了，而\d+恰好可以匹配，那么这里.*?就不再进行匹配，交给\d+去匹配后面的数字了。所以这样，.*?就匹配了尽可能少的字符，\d+的结果就是1234567了！所以：在做匹配的时候，字符串中间尽量使用非贪婪匹配，以免出现匹配结果缺失的情况！！！

但是需要注意，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 recontent = 'Hello 1234567 World_This is a Regex Demo'result = re.match('^Hello.*?Regex\s(.*?)', content)result2 = re.match('^Hello.*?Regex\s(.*)', content)print(result.group(1))print(result2.group(1))

（2）函数：

小讲解：修饰符！

正则表达式还包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。

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

• 我们在字符串中加入换行符，正则表达式也OK，用来匹配字符串中的数字。会发现报错！

• 也就是正则表达式没有匹配到这个字符串，返回结果是None，而我们又调用了方法group()，所以导致AttributeError。
• 分析：为何加入一个换行符就匹配不到了呢？这是因为.匹配的是除了换行符之外的任意字符，当遇到换行符的时候，它就不行了，这里只需要加入一个修饰符re.S即可修正这个错误！

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

• 此修饰符的作用是使.匹配包括换行符在内的所有字符！

一些常见的修饰符见下表：

（1）re.findall(pattern,string,flags=0)

1. 功能：根据正则表达式匹配所有目标字符串内容，并返回一个列表，如果没有找到匹配的，则返回空列表
2. 参数：pattern正则表达式
   string目标字符串
   flags功能标志位，扩展正则表达式的匹配
3. 返回值：匹配到的内容列表，如果正则表达式有子组织，只能获取到子组对应的内容。

import reres_style = "'Date': 'Thu, 16 Apr 2020 03:53:52 GMT', 'Content-Type': 'application/json', 'Content-Length': '308', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true'"print(re.findall( "'Content-Length': '(.*?)'",res_style,re.S))   #注意：匹配到的内容放在了列表里print(re.findall( "'Content-Length': '(.*?)'",res_style,re.S)[0])#从列表中拿到匹配到的内容

（2）re.match（pattern,string,flags=0）

第一部分：

位置限制

1. 功能：匹配某个目标字符串开始位置
2. 参数：
   pattern正则表达式
   string目标字符串
3. 返回值：
   如果匹配就是匹配内容match object；
   如果不匹配，就返回None

print(re.match('www','www.baidu.com'))print(re.match('www','http://www.baidu.com'))#注意：不在开头拿不到！print(re.match('www','www.baidu.com').group())

小拓展：

1. span()方法可以输出匹配的范围（注意是匹配到的结果字符串在原字符串中的位置范围！）；
2. group()方法可以输出匹配到的内容！
   比如：

import recontent = "Hello 2021 123 World_good This is a beautiful world"print(len(content))result = re.match('^Hello\s\d\d\d\d\s\d{3}\s\w{10}', content)print(result)print(result.group())print(result.span())

第二部分：

上面可以得到匹配到的字符串内容，但是如果想从字符串中提取一部分内容，该如何做？
这里可以使用（）括号将想要提取的子字符串括起来。（）实际上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此对应每一个分组，调用group()方法传入分组的索引即可获取提取的结果！

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

• group(1)会输出第一个被（）包围的匹配结果，如果正则表达式后面还有（）包括的内容，那么可以依此使用group(2),group(3)等来获取；group()会输出完整的匹配结果。

（3）re.search（pattern,string,flags=0）

在匹配时会扫描整个字符串,匹配成功 返回的是第一个成功匹配的结果（是一个对象哦！这个对象包含了我们匹配的信息）

数量限制！

1. 功能：匹配目标字符串第一个符合的内容
2. 参数：pattern正则表达式
   string目标字符串
3. 返回值：匹配内容match object

注意：search也只能匹配到一个，找到符合规则的就返回，不会一直往后找

print(re.search('www','www.baidu.com'))print(re.search('www','www.baidu.com').group())      #只匹配第一个print(re.search('www','http:// www.baidu.com').group())

• re.match与re.search的区别：
  re.match只匹配字符串的开始位置找，如果字符串开始不符合正则表达式，则匹配失败；
  re.search：匹配整个字符串，如果一直找不到则，返回是空的，没有结果。

（4）re.sub（pattern,replace,string,max,flags=0）

除了使用正则表达式提取信息外，我们还可以借助它来修改文本。

1. 功能：使用一个字符串替换正则表达式匹配到的内容
2. 参数：pattern正则表达式
   replace替换的字符串
   string目标字符串
   max最多替换几处，默认替换全部
   flags功能标志位，扩展正则表达式的匹配
3. 返回值：替换后的字符串

phone = "2004-956-559 # 这是一个国外电话号码"#删除字符串中的python注释num = re.sub(r'#.*',"",phone)print(num)# 删除非数字（-）的字符串num2 = re.sub(r'\D',"",phone)print(num2)

（5）re.compile(pattern, flags=0):

上述的方法都是用来处理字符串的方法，此方法可以将正则字符串编译成正则表达式对象，以便在后面的匹配中复用。

• 比如下面有三个日期，我们想要去掉它们里面的时间，可以借助sub()方法，但是如果写三遍正则表达式过于复杂，所以我们可以先将正则表达式编译成一个正则表达式对象，以便下面复用！

import recontent1 = '2016-12-15 12:00'content2 = '2016-1-12 16:00'content3 = '2016-6-5 12:30'pattern = re.compile('\d{2}:\d{2}')result1 = re.sub(pattern, '', content1)result2 = re.sub(pattern, '', content2)result3 = re.sub(pattern, '', content3)print(result1, result2, result3)

• 此外，compile()还可以传入修饰符，例如re.S,这样在search(),findall()的时候就不需要额外传了。可以说compile()方法是给正则表达式做了一层封装！

（3）实战—猫眼电影TOP100电影信息爬取：

• 看这里：《爬虫实战之抓取猫眼电影排行TOP100（使用正则表达式提取数据）》

👇🏻可通过点击下面——>关注本人运营 公众号👇🏻

【可以公众号里私聊并标明来自CSDN，会拉你进入技术交流群（群内涉及各个领域大佬级人物，任何问题都可讨论~）--->互相学习&&共同进步（非诚勿扰）】