Python语法基础---正则表达式

news2024/12/13 2:31:07

🌈个人主页：羽晨同学

💫个人格言:“成为自己未来的主人~”

我们这个文章所讲述的，也是数据分析的基础文章，正则表达式

首先，我们在开始之前，引出一个问题。也是我们接下来想要解决的问题。

那就是，我们应该怎么判断合适的QQ号。

一个合适的QQ号应该包括下面的几个部分：

全数字
位数 5-11
开头不能为0

我们先给大家实现一下这个解决这个问题的代码，稍后再给大家讲解一下其中的原理。

def check_qq(qq):
    return qq.isdigit() and len(qq) in range(5,12) and not qq.startswith('0')
qq = '91915235'
res = check_qq(qq)
print(res)

这个是用我们之前所熟悉的代码来实现这个功能，这个应该不用太仔细解析，大家可以先好好看看。

我们接下来重点看用正则实现这个功能的部分。

def check_qq(qq):
    return qq.isdigit() and len(qq) in range(5,12) and not qq.startswith('0')
qq = '919152305'
res = check_qq(qq)
print(res)

import re
def check_qq1(qq):
    r=re.match(r"^[1-9]\d{4,10}$",qq)
    return True if r else False
if __name__ =='__main__':
    qq='0543265'
    r1=check_qq1(qq)
    print(r1)
    r2=check_qq(qq)
    print(r2)

下面的部分就是用正则表达式实现的。其中包含了很多的知识点，这个需要我们慢慢来进行分析。

首先，我们先来看一下结果。

这两个的结果是完全相同的。

单字符匹配

单字符匹配就是说，无论[]里面包含了多少字符，只能匹配其中的一位。

.：默认情况下，匹配除了换行符以外的任意字符。

match()：如果匹配上，则返回match对象，如果未匹配上，则返回None

我们来看一下例子。

import re
r=re.match(r'.','\n')
print(r)
r1=re.match(r'.','5')
print(r1)

这个例子就可以很好的解释我们刚才所看到的。

后期在爬虫中，要爬取网页内容，网页中有大量的换行，则我们需要设置flags=re.DOTALL

r=re.match(r'.','\n',flags=re.DOTALL)

我们再来看下一个例子

import re
r1=re.match(r"[0-9a-zA-Z]","F")
print(r1)
r2=re.match(r"[gbk]","b")
print(r2)
r3=re.match(r"[^gbk]","b")
print(r3)

我们可以看到，第一个和第二个都匹配到了，但是第三个没有，这是因为^只能匹配第一个。第一个不符合，就返回了None

我们来看下一个例子：

import re
r1=re.match(r"[0-9a-zA-Z]","F")
print(r1)
r2=re.match(r"\w","a")
print(r2)

r3=re.match(r"\s"," ")
print(r3)
r4=re.match(r"\s","\n")
print(r4)

在这段代码当中，我们可以看到的是，\s无论是空格还是换行符都可以匹配到。

数量词匹配

我们先来看一下示例代码

import re
print(re.match(r'\d\d\d\d',"4567"))

这个就是我们上面所讲到的单字符匹配，一共四个\d，所以可以匹配四个数字

那么，这个有更多的使用方式吗，答案是，有的。

我们来看下面的三种调用方法：

import re
# print(re.match(r'\d\d\d\d',"4567"))
print(re.match(r'\d{4}',"4654"))
print(re.match(r'\d{4,}',"464564654"))
print(re.match(r"\d{4,10}","46545497974564654654645"))

第一种是恰好调用四个，第二个是最少四个，第三个是四个到10个

我们可以来看一下打印出来的结果。

我们再来看下一个例子：

import re
print(re.match(r'a?','aaaaaaaaaaaaaaaa'))
print(re.match(r'a+',''))
print(re.match(r'a*',''))

第一个表示单个字符，第二个表示1个或无数个，最后一个表示0个或无数个

我们再来看下一个例子：

import re
print(re.search(r'a?','aaaaaaaaaaaa'))
print(re.search(r'a+','aaa'))
print(re.search(r'a*','aaaa'))

下面使我们运行出来的结果。

其实search的底层调用的就是match，和match相似的是，调用成功的话，返回调用对象，如果不匹配的话，返回None。

我们再来看一下下一种情况：

import re
print(re.findall(r'a?','aaaaaaaaa'))
print(re.findall(r'a+','aaaaaaaaa'))
print(re.findall(r'a*','aaaaaaaaa'))

下面是我们运行的结果。

findall()在源字符串中从左向右查找，将所有符合条件的子字符串全部查找出来。

边界匹配

我们来看下一种情况

^和$匹配的是整个字符串的行首或行尾

import re
print(re.findall(r"^this","this is a text\nthis is a text\nthis is a text\n"))
print(re.findall(r"text$","this is a text\nthis is a text\nthis is a text\n"))

我们再来看一下打印出来的结果。

为什么只会打印出来一个呢？

这是因为默认情况下，即使字符串中有换行符，也是默认的单行模式。

我们可以设置在多行模式下面看一下：

import re
print(re.findall(r"^this","this is a text\nthis is a text\nthis is a text\n",flags=re.M))
print(re.findall(r"text$","this is a text\nthis is a text\nthis is a text\n",flags=re.M))

我们在后面加上一个re.M,就变成了单行模式，对应的，结果也会发生变化。

我们也可以搜索多行模式下面的第一个和最后一个，看下面这个代码

import re
print(re.findall(r"\Athis","this is a text\nthis is a text\nthis is a text\n",flags=re.M))
print(re.findall(r"text\Z","this is a text\nthis is a text\nthis is a text",flags=re.M))

在这种情况下，我们搜索到的也是一个

贪婪匹配和非贪婪匹配

？非贪婪匹配

+ * 贪婪匹配

首先，我们来看一下下面这个代码：

import re
print(re.findall(r'a?','aaaaaaaaaaaaa')) #0个或者一个
print(re.findall(r'a+','aaaaaaaaaaaaa')) #一个或者多个
print(re.findall(r'a*','aaaaaaaaaaaaa')) #0个或者多个

这个其实就是我们之前所提到过的贪婪匹配和非贪婪匹配。

更多的非贪婪匹配和贪婪匹配的内容，我们在下一篇文章中说，大家，明天见。