正则表达式是对字符串提取的一套规则，我们把这个规则用正则里面的特定语法表达出来，去匹配满足这个规则的字符串。正则表达式具有通用型，不仅python里面可以用，其他的语言也一样适用。\n\npython中re模块提供了正则表达式的功能，常用的有四个方法(match、search、findall)都可以用于匹配字符串\n\nmatch\n匹配字符串\nre.match()必须从字符串开头匹配！match方法尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。主要参数如下：\n\nre.match(pattern, string)\n# pattern 匹配的正则表达式\n# string 要匹配的字符串\n例子\n\nimport re\na = re.match(‘test’,‘testasdtest’) \nprint(a) #返回一个匹配对象\nprint(a.group()) #返回test，获取不到则报错\nprint(a.span()) #返回匹配结果的位置，左闭右开区间\nprint(re.match(‘test’,‘atestasdtest’)) #返回None\n\n\n从例子中我们可以看出，re.match()方法返回一个匹配的对象，而不是匹配的内容。如果需要返回内容则需要调用group()。通过调用span()可以获得匹配结果的位置。而如果从起始位置开始没有匹配成功，即便其他部分包含需要匹配的内容，re.match()也会返回None。\n\n单字符匹配\n以下字符，都匹配单个字符数据。且开头（从字符串0位置开始）没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none\n\n\n\n. 匹配任意一个字符\n 使用几个点号就代表几个字符\n\nimport re\na = re.match(’…’,‘testasdtest’) \nprint(a.group()) #输出te \nb = re.match(‘ab.’,‘testasdtest’) \nprint(b) #返回none，因为表达式是以固定的ab开头然后跟上通配符. 所以必须要先匹配上ab才会往后进行匹配\n\n\n\d 匹配数字\n 一个\d代表一个数字。开头没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none\n\nimport re\na = re.match(’\d\d’,‘23es12testasdtest’) \nprint(a) \nb = re.match(’\d\d\d’,‘23es12testasdtest’) \nprint(b) #要求匹配三个数字，匹配不到返回none\nc = re.match(’\d’,‘es12testasdtest’) \nprint© #起始位置没有匹配成功，一样返回none\n\n\n\D 匹配非数字\n开头没匹配到，即使字符串其他部分包含需要匹配的内容，.match也会返回none\n\nimport re\na = re.match(’\D’,‘23es12testasdtest’) \nprint(a) #开头为数字所以返回none \nb = re.match(’\D\D’,‘es12testasdtest’) \nprint(b) #返回e\n\s 匹配特殊字符，如空白，空格，tab等\nimport re\nprint(re.match(’\s’,’ 23es 12testasdtest’)) #匹配空格\nprint(re.match(’\s’,’ 23es 12testasdtest’)) #匹配tab\nprint(re.match(’\s’,’\r23es 12testasdtest’)) #匹配\r换行\nprint(re.match(’\s’,‘23es 12testasdtest’)) #返回none\n\n\n\S 匹配非空白\nimport re\nprint(re.match(’\S’,’ 23es 12testasdtest’)) #返回none\nprint(re.match(’\S’,’\r23es 12testasdtest’)) #none\nprint(re.match(’\S’,‘23es 12testasdtest’)) \n\n\n\w 匹配单词、字符，如大小写字母，数字，_ 下划线\nimport re\nprint(re.match(’\w’,‘23es 12testasdtest’)) #返回none\nprint(re.match(’\w\w\w’,‘aA_3es 12testasdtest’)) #返回none\nprint(re.match(’\w\w\w’,’\n12testasdtest’)) #返回none\n\n\n\W 匹配非单词字符\nimport re\nprint(re.match(’\W’,‘23es 12testasdtest’)) #返回none\nprint(re.match(’\W’,’ 23es 12testasdtest’)) #匹配空格\n\n\n[ ] 匹配[ ]中列举的字符\n只允许出现[ ]中列举的字符\n\nimport re\nprint(re.match(‘12[234]’,‘232s12testasdtest’)) #因为开头的12没匹配上，所以直接返回none\nprint(re.match(‘12[234]’,‘1232s12testasdtest’)) #返回123\n\n\n[^2345] 不匹配2345中的任意一个\n\nimport re\nprint(re.match(‘12[^234]’,‘232s12testasdtest’)) #因为开头的12没匹配上，所以直接返回none\nprint(re.match(‘12[^234]’,‘1232s12testasdtest’)) #返回none\nprint(re.match(‘12[^234]’,‘1252s12testasdtest’)) #返回125\n[a-z3-5] 匹配a-z或者3-5中的字符\n\nimport re\nprint(re.match(‘12[1-3a-c]’,‘1232b12testasdtest’)) #123\nprint(re.match(‘12[1-3a-c]’,‘12b2b12testasdtest’)) #12b\nprint(re.match(‘12[1-3a-c]’,‘12s2b12testasdtest’)) #返回none\n表示数量\n 像上面写的那些都是匹配单个字符，如果我们要匹配多个字符的话，只能重复写匹配符。这样显然是不人性化的，所以我们还需要学习表达数量的字符\n\n\n\n * 出现0次或无数次\nimport re\na = re.match(’…’,‘testasdtest’) \nprint(a.group()) #输出te \na = re.match(’.’,‘testasdtest’) \nprint(a.group()) #全部输出\n\n\nimport re\nprint(re.match('a’,‘aatestasdtest’)) #匹配跟随在字母a后面的所有a字符\nprint(re.match(’\d*’,‘23aatestasdtest’)) #匹配前面为数字的字符\nprint(re.match(‘a\d*’,‘ad23aatestasdtest’)) #输出a, 因为*
也可以代表0次\n\n\n+ 至少出现一次\nimport re\nprint(re.match(‘a+’,‘aaatestasdtest’)) #匹配前面为字母a的字符，且a至少有1一个\nprint(re.match(‘a+’,‘atestasdtest’)) #a\nprint(re.match(‘a+’,‘caaatestasdtest’)) #none\n\n\n? 1次或则0次\nimport re\nprint(re.match(‘a?’,‘abatestasdtest’)) #匹配a出现0次或者1次数\nprint(re.match(‘a?’,‘batestasdtest’)) #输出空，因为a可以为0次\nprint(re.match(‘a?’,‘aaatestasdtest’)) #a出现0次或者1次，输出1个a\n\n\n{m}指定出现m次\nimport re\nprint(re.match(‘to{3}’,‘toooooabatestasdtest’)) #匹配t以及跟随在后面的三个ooo\nprint(re.match(‘to{3}’,‘tooabatestasdtest’)) #只有两个0,返回none\n\n\n{m,} 至少出现m次\nimport re\nprint(re.match(‘to{3,}’,‘toooooabatestasdtest’)) #匹配t以及跟随在后面的三个ooo至少出现3次\nprint(re.match(‘to{3,}’,‘tooabatestasdtest’)) #只有两个0,返回none\n\n\n{m,n} 指定从m-n次的范围\nimport re\nprint(re.match(‘to{3,4}’,‘toooabatestasdtest’)) #刚好有三个ooo，成功匹配\nprint(re.match(‘to{3,4}’,‘tooabatestasdtest’)) #只有两个o,返回none\nprint(re.match(‘to{3,4}’,‘toooooabatestasdtest’)) #提取最多四个o\n\n\n匹配边界\n\n\n$ 匹配结尾字符\n定义整个字符串必须以指定字符串结尾\n\nimport re\nprint(re.match(’.*d$’,‘2testaabcd’)) #字符串必须以d结尾 \nprint(re.match(’.*c’,‘2testaabcd’)) #字符串不是以c结尾，返回none\n \n\n^ 匹配开头字符\n定义整个字符串必须以指定字符开头\n\nimport re\nprint(re.match(’^2’,‘2stoooabatestas’)) #规定必须以2开头，否则none \nprint(re.match(’^2s’,‘2stoooabatestas’)) #必须以2s开头\n\b 匹配一个单词的边界\n\b：表示字母数字与非字母数字的边界，非字母数字与字母数字的边界。即下面ve的右边不能有字母和数字\n\nimport re\nprint(re.match(r’.*ve\b’,‘ve.2testaabcd’)) #因为在python中\代表转义，所以前面加上r消除转义\nprint(re.match(r’.*ve\b’,‘ve2testaabcd’))\n\n\n\B 匹配非单词边界\nimport re\nprint(re.match(r’.ve\B’,‘2testaavebcdve’)) #ve的右边需要有字母或者数字 \nprint(re.match(r’.ve\B’,‘2testaave3bcdve’))\n\n\n匹配分组\n \n\n| 匹配左右任意一个表达式\n只要|两边任意一个表达式符合要求就行\n\nimport re\nprint(re.match(r’\d[1-9]|\D[a-z]’,‘2233’)) #匹配|两边任意一个表达式\nprint(re.match(r’\d[1-9]|\D[a-z]’,‘as’)) \n\n\n(ab) 将括号中字符作为一个分组\n()中的内容会作为一个元组字符装在元组中\n\nimport re\na = re.match(r’\u003Ch1>(.)\u003Ch1>’,’\u003Ch1>你好啊\u003Ch1>’)\nprint(a.group()) #输出匹配的字符\nprint(a.groups()) #会将()中的内容会作为一个元组字符装在元组中\nprint(’`````````````’)\nb = re.match(r’\u003Ch1>(.)(\u003Ch1>)’,’\u003Ch1>你好啊\u003Ch1>’)\nprint(b.groups()) #有两括号就分为两个元组元素\nprint(b.group(0)) #group中默认是0\nprint(b.group(1)) #你好啊\nprint(b.group(2)) #h1\n\n\nsearch\n和match差不多用法，从字符串中进行搜索\n\nimport re\nprint(re.match(r’\d\d’,‘123test123test’))\nprint(re.search(r’\d\d’,‘123test123test’))\n\n\nfindall\n从字面意思上就可以看到，findall是寻找所有能匹配到的字符，并以列表的方式返回\n\nimport re\nprint(re.search(r’test’,‘123test123test’))\nprint(re.findall(r’test’,‘123test123test’)) #以列表的方式返回\n\n\nre.s\nfindall中另外一个属性re.S\n\n在字符串a中，包含换行符\n，在这种情况下\n\n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。\n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，在整体中进行匹配。\n 如下要寻找test.123的数据，因为test和123在不同的行，如果没加re.s的话，他会在每一个进行匹配查找而不是将字符串作为一个整体进行查找\n\nimport re\na = “”“aaatestaa \naaaa123"”"\nprint(re.findall(r’test.123’,a)) \nprint(re.findall(r’test.123’,a,re.S))\n\n\nsub\n查找字符串中所有相匹配的数据进行替换\n\nsub(要替换的数据，替换成什么，要替换的数据所在的数据)\n\nimport re\nprint(re.sub(‘php’,‘python’,‘php是世界上最好的语言——php’)) \n#输出 “python是世界上最好的语言——python”\nsplit\n对字符串进行分割，并返回一个列表\n\nimport re\ns = “itcase,java:php-php3;html”\nprint(re.split(r",",s)) #以,号进行分割\nprint(re.split(r",|:|-|;",s)) #以,或者：或者-或者;进行分割\nprint(re.split(r",|:|-|%",s)) #找不到的分隔符就忽略\n\n\n贪婪与非贪婪\npython里的数量词默认是贪婪的，总是尝试尽可能的匹配更多的字符。python中使用?号关闭贪婪模式\n\n如\n\nimport re\nprint(re.match(r"aa\d+",“aa2323”)) #会尽可能多的去匹配\d\nprint(re.match(r"aa\d+?",“aa2323”)) #尽可能少的去匹配\d\n\n\nimport re\ns = “this is a number 234-235-22-423”\n# 1.贪婪模式\nresule = re.match(r"(.+)(\d±\d±\d±\d)",s) #我们本想数字和字母拆解成两个分组\nprint(resule.groups()) #(‘this is a number 23’, ‘4-235-22-4’)但我们发现输出的结果中23的数字竟然被弄到前面去了\n \n#因为+它会尽可能多的进行匹配，\d，只需要一个4就能满足，所以前面就尽可能多的匹配\n# 2.关闭贪婪模式\n#在数量词后面加上 ?，进入非贪婪模式，尽可能少的进行匹配\nresult = re.match(r"(.+?)(\d±\d±\d±\d)",s)\nprint(result.groups()) #(‘this is a number ‘, ‘234-235-22-4’)\n\n\n案例\n匹配手机号\n要求，手机号为11位，必须以1开头，且第二个数字为35678其种一个\n\nimport re\nresult = re.match(r’1[35678]\d{9}’,‘13111111111’)\nprint(result.group()) #匹配成功\nresult = re.match(r’1[35678]\d{9}’,‘12111111111’)\nprint(result) #none，第二位为2\nresult = re.match(r’1[35678]\d{9}’,‘121111111112’)\nprint(result) #none，有12位\n\n\n提取网页源码中所有的文字\n如下，将其中的所有文字提取出来，去掉标签。思路就是运用sub方法，将标签替换为空\n\ns = “”"\u003Cdiv>\n\u003Cp>岗位职责:\u003C/p>\n\u003Cp>完成推荐算法、数据统计、接口、后台等服务器端相关工作\u003C/p>\n\u003Cp>\u003Cbr>\u003C/p>\n\u003CP>必备要求:\u003C/p>\n\u003Cp>良好的自我驱动力和职业素养，工作积极主动、结果导向\u003C/p>\n\u003Cp> \u003Cbr>\u003C/p>\n\u003Cp>技术要求:\u003C/p>\n\u003Cp>1、一年以上 Python开发经验，掌握面向对象分析和设计，了解设计模式\u003C/p>\n\u003Cp>2、掌握HTTP协议，熟悉NVC、MVVM等概念以及相关wEB开发框架\u003C/p>\n\u003Cp>3、掌握关系数据库开发设计，掌握SQL，熟练使用 MySQL/PostgresQL中的一种\u003Cbr>\u003C/p>\n\u003Cp>4、掌握NoSQL、MQ，熟练使用对应技术解决方案\u003C/p>\n\u003Cp>5、熟悉 Javascript/cSS/HTML5，JQuery,React.Vue.js\u003C/p>\n\u003Cp> \u003Cbr>\u003C/p>\n\u003Cp>加分项:\u003C/p>\n\u003Cp>大数据，数理统计，机器学习，sklearn，高性能，大并发。\u003C/p>\n\u003C/div>"""\n要提取出来最重要的就是关闭贪婪模式，\n\nresult = re.sub(r’\u003C.?>| ’,’’,s) #\nprint(result)\n\n\n 如果关闭贪婪模式，\u003Cxx>中的内容会尽可能多的匹配，只要能够满足后面的>就行，然后\u003C>xxx\u003C>中xxx内容也替换掉了\n\n 提取图片地址\nimport re\ns = “”"\u003Cimg data-original=“https://img02.sogoucdn.com/app/a/100520024/36189693dc8db6bd7c0be389f8aaddbd.jpg” src=“https://img02.sogoucdn.com/app/a/100520024/36189693dc8db6bd7c0be389f8aaddbd.jpg” width=“250” height=“375” .jpg>"""\nresult1 = re.search(r"src=\"https..jpg\"",s) \nprint(result1.group())\n \nresult2 = re.search(r"src=\"(https..jpg)\"",s) #我只是想将网址提取出来，所以httpxx加括号，这样我就可以把它单独提取出来，src则不会出来\nprint(result2.groups()[0])