python“r e 模块“常见函数详解

正则表达式：

英文Regular Expression,是计算机科学的一个重要概念，她使用一种数学算法来解决计算机程序中的文本检索，匹配等问题，正则表达式语言是一种专门用于字符串处理的语言。在很多语言中都提供了对它的支持，re模块就是我们python中关于正则表达式的第三方模块，它可以帮我们解决下面的问题:

检索:通过正则表达式，从字符串中获取我们想要的部分、匹配:判断给定的字符串是否符合正则表达式的过滤逻辑

很多语言都有正则表达式比如：Java javascript python php c c++........等等。

re模块中有很多函数？

re.compile()
re.match()
re.findall()
re.search()
re.sub()
re.split()

首先给大家讲一下这些函数的用法：

1.re.comiple(pattern,flags=0)

将常用的正则表达式编译成为一个正则表达式对象，函数本身并不具备特殊意义，需要搭配findall(), search(), match(）等常用函数一起使用。

其中第一个参数 “pattern“为正则表达式，第二个参数“flags”编译标志位，用于扩展匹配字符的功能

import re
pattern = re.compile('^He\w+\s(\w+)\s\w+.(\w)+',re.S)
cont = '''Hello chaoxingerya World_This
is 12 345 6789 '''
value = pattern.match(cont)
print(value.group(1))

其中第一个参数为：'^He\w+\s(\w+)\s\w+.+(\w)+' 正则表达匹配式

符号：“^”表示从什么开始，题目中是以“He”开始，符号“\w”表示匹配大写英文字母，数字、下划线即：“a-z、A-Z、0-9、_”，符号“+”表示 匹配前一个字符至少1次到n次，这两个字符组合在题目中用来表示：“llo”，符号“\s”表示匹配空格 也就是tab键，在题目中用来匹配“Hello“和 “chaoxingerya“之间的空格键，符号“(\w+)“，是由小括号“（）”和“\+”组成，符号“（）”的作用是将“（）“中的字符作为⼀个分组，在后期可以通过value.group(1)将第一个分组中的内容“chaoxingerya”拿出来，符号“\s“用来匹配题目中“chaoxingerya”和 World_This之间的空格，\w+用来匹配"World_This",

符号点“ . ”用来匹配

'''Hello chaoxingerya World_This

is 12 345 6789 '''

之间的换行，符号“(\w)+“，用来匹配题目中“is”，其中剩余的数字我并没有对它进行匹配，如果没

第二个参数为：re.S 功能标志位，扩展正则字符的匹配

S :表示 . （点符号）在正则表达式中包括换行符在内的任意字符，也就是所有字符

1. re.match(pattern,string)

pattern :匹配正则语法，可以单独写也可以有re.compile()编译的对象得来。

string 需要被匹配的字符串

并且与group搭配使用

总是从被匹配对象的第一个字符开始，如果匹配你到了第一个字符则继续往下匹配，如果第一个字符没有匹配得到则会报错

为了给大家讲清楚我直接搞了csdn一片文章的博客链接方便大家爬虫学习

import re
cont = '<a data-report-query="spm=1000.2115.3001.5927" data-report-click="{&quot;spm&quot;:&quot;1000.2115.3001.5927&quot;,&quot;dest&quot;:&quot;https://csdnnews.blog.csdn.net/article/details/129187745&quot;,&quot;extra&quot;:&quot;{\&quot;fId\&quot;:558,\&quot;fName\&quot;:\&quot;floor-www-index\&quot;,\&quot;compName\&quot;:\&quot;www-swiper\&quot;,\&quot;compDataId\&quot;:\&quot;www-headhot\&quot;,\&quot;fTitle\&quot;:\&quot;\&quot;,\&quot;pageId\&quot;:141}&quot;}" target="_blank" href="https://csdnnews.blog.csdn.net/article/details/129187745?spm=1000.2115.3001.5927" class="title" data-v-0045335f="">Linus 怒怼：请不要提交垃圾！</a>'
ret = re.match("^<a.*?([a-z]+://[a-z./0-9]+\?).*?>",cont)
print(ret.group(1))

我将这篇文章的链接所在的标签给你拿出来

<a data-report-query="spm=1000.2115.3001.5927" data-report-click="{&quot;spm&quot;:&quot;1000.2115.3001.5927&quot;,&quot;dest&quot;:&quot;https://csdnnews.blog.csdn.net/article/details/129187745&quot;,&quot;extra&quot;:&quot;{\&quot;fId\&quot;:558,\&quot;fName\&quot;:\&quot;floor-www-index\&quot;,\&quot;compName\&quot;:\&quot;www-swiper\&quot;,\&quot;compDataId\&quot;:\&quot;www-headhot\&quot;,\&quot;fTitle\&quot;:\&quot;\&quot;,\&quot;pageId\&quot;:141}&quot;}" target="_blank" href="https://csdnnews.blog.csdn.net/article/details/129187745?spm=1000.2115.3001.5927" class="title" data-v-0045335f="">Linus 怒怼：请不要提交垃圾！</a>

我需要其中在href中的链接地址：

https://csdnnews.blog.csdn.net/article/details/129187745

我写的正则匹配式为：

^<a.*?([a-z]+://[a-z./0-9]+\?).*?>

其中对符号解释如下：

符号：“^”表示从那个地方开始，"^<a" 表示从<a开始，符号“ [a-z]+“[]是定义匹配的字符范围,[a-z],说明要匹配的文本内容的某一位置是a，b，c，d，....., q, y, z的某一区间，在本次为了匹配 https，因为 [a-z]加上了“+”表示匹配多个，如果不加只能匹配一个。符号：“://“为了匹配文本内容的://，为何是这样写的，因为正则中没有什么特殊符号用来表示，:或//，在正则表达式中可以用原来的字符匹配，只要不涉及到正则和普通字符相关联的特殊字符就好，比如 ： 符号 "?",正则中符号"?"，表示非贪婪模式，至多匹配一个，要是一个也没有也不会报错，在符号识别中它就是普通问号，用在正则匹配表达式中，就必须要加上符号“\”,让符号恢复原意。

3.re.search(pattern,string,flags)

pattern: 正则匹配表达式

string： 被匹配的文本

flags ：标志位，扩展字符的效果

作用：re.search会匹配整个字符串，并返回第一个成功的匹配，如果匹配成功则返回结果，匹配失败则返回None，它和re.match()的区别在一个是从字符串首字母匹配文本内容，一个是从任意位置匹配内容。并且re.search会扫描整个被匹配对象，只会返回一个被成功匹配的对象，如果这列被匹配的文本内容中没有符合要求的，则会返回None

re.match从字符串首字母的开始匹配，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到符合正则表达式的文本内容。

案例：

import re
import requests
cont = 'dd44--32ff_88'
ret = re.search("\d+",cont)
print(ret.group())

仅返回了44 为什么没有返回32 我说过了re.search只会返回第一个符合正则表达式匹配的内容，其他no pass。

如果是matchhanshune？

直接pass掉了，为啥呢？我说了，re.match()方法会从被匹配内容首字母开始匹配如果不符合，则直接pass掉，显然 被匹配对象 dd44--32ff_88开始位置是英文单词，所以用\d 以数字匹配显然是不对的。

我通过正确的方式去匹配：

显然可以成功匹配但是并不是我们想要的纯数字内容

2. re.findall(pattern, string, flags)

pattern : 编译的正则表达式

string ：被匹配的文本内容

flags ： 扩展字符的特殊功能

re.findall 函数作用 ：

在被匹配对象中找到符合正则表达式所编译的所有文本内容，将结果返回为一个列表，如果没有找到匹配的，则返回空列表。特别注意的是： match （）和search（） 只会匹配首次遇到且符合结果的文本内容，而 findall（）则会匹配所有内容。findall没有group参数

案例测试：

import re
import requests
cont = '我是44--54屌丝77是_bu_是88'
ret = re.findall("[\u4e00-\u9fa5a-z]+",cont)
print(ret)

符号“[\u4e00-\u9fa5]“用来匹配中文字符，为什么后面加了符号“a-z”因为文本内容中还有个“bu“，为什么我还加上符号“+”因为符号“+”，表示匹配多次如果不加则会匹配一个中文字符，加了可以返回多个

三，关于函数中flags ： 扩展字符的特殊功能内容及其作用

   flags 标志位参
re.I(re.IGNORECASE) 使匹配对大小写不敏感
re.L(re.LOCAL)  做本地化识别（locale-aware）匹配
re.M(re.MULTILINE)  多行匹配，影响 ^ 和 $
re.S(re.DOTALL) 使 . 匹配包括换行在内的所有字符
re.U(re.UNICODE)根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B.

正则匹配其实并不是很难，重点是函数太多注意的事项太多，常见及其常用的就是那么几个，在这个函数我认为最常用的的是，re.findall, re.compile,re.sub

有很多我没有写出来不是不重要，我准备在下一篇文章中写出来，近期我会持续更新python面向对象编程，异步编程，python高级进阶，爬虫js逆向技术+app逆向