1.贪婪匹配：在量词范围允许的情况下,尽量多的匹配内容 .*x 表示匹配任意字符 任意多次数 遇到最后一个x才停下来 回溯算法： 2.非贪婪(惰性)匹配： 总是在量词范围内尽量少的匹配内容。前面的*,+等都是贪婪匹配，也就是尽可能匹配，后面加?号使其变成惰性匹配 .*?x 表示匹配任意字符 任意多次数 但是一旦遇到x就停下来 .+?x 匹配任意内容至少1次 遇到x就停止 元字符+量词+？ ---> 惰性匹配 几个常用的非贪婪匹配： *? 重复任意次，但尽可能少重复 +? 重复1次或更多次，但尽可能少重复 ?? 重复0次或1次，但尽可能少重复 {n,m}? 重复n到m次，但尽可能少重复 {n,}? 重复n次以上，但尽可能少重复 例：匹配身份证号码：18/15位的身份证号 # 15位：首位数字为1-9，总共15位 [1-9]\d{14} # 18位：首位数字为1-9，末位为0-9或者X，总共18位 [1-9]\d{16}[\dx] [1-9]\d{16}[0-9x] #1： [1-9]\d{16}[0-9x]|[1-9]\d{14} #从一个大文件中找到所有符合规则的内容。表示先匹配[1-9]\d{16}[0-9x]如果没有匹配上就匹配[1-9]\d{14} ^([1-9]\d{16}[0-9x]|[1-9]\d{14})$ #检测一个输入的字符串是否合法 #2：简化 [1-9]\d{14}(\d{2}[\dx])? #从一个大文件中找到所有符合规则的内容 ^[1-9]\d{14}(\d{2}[\dx])?$ #检测一个输入的字符串是否合法 。()表示分组，将\d{2}[\dx]分成一组，就可以整体约束他们出现的次数为0-1次 例： 规则：1\d*?3 待匹配内容：1243333344 匹配结果：1243 规则：1\d*3 待匹配内容：1243333344 匹配结果：12433333 re模块： # findall 还是按照完整的正则进行匹配,只是显示括号里匹配到的内容。 取所有符合条件的,优先显示分组中的。 ret = re.findall('9\d\d','19740ash93010uru') print(ret)#['974', '930'] ret = re.findall('9(\d)\d','19740ash93010uru') print(ret)#['7', '3'] # search 还是按照完整的正则进行匹配,显示也显示匹配到的第一个内容,但是我们可以通过给group方法传参数,来获取具体分组，即（）中的内容。 search 只取第一个符合条件的,没有优先显示这件事儿 得到的结果是一个变量 变量.group() 的结果 完全和 变量.group(0)的结果一致 变量.group(n) 的形式来指定获取第n个分组中匹配到的内容 ret = re.search('9(\d)(\d)','19740ash93010uru') print(ret) # 变量 <_sre.SRE_Match object; span=(1, 4), match='974'> if ret: print(ret.group())#974 #ret.group(0) 0 默认不写 print(ret.group(1))#7 print(ret.group(2))#4 # 为什么在search中不需要分组优先 而在findall中需要? 加上括号是为了对真正需要的内容进行提取。 为什么要用分组? 把想要的内容放分组里 如果我们要查找的内容在一个复杂的环境中，我们要查的内容并没有一个突出的 与众不同的特点 甚至会和不需要的杂乱的数据混合在一起，这个时候我们就需要把所有的数据都统计出来,然后对这个数据进行筛选,把我们真正需要的数据对应的正则表达式用()圈起来，这样我们就可以筛选出真正需要的数据了。 # 如何取消分组优先 如果在写正则的时候由于不得已的原因，导致不要的内容也得写在分组里，通过 ?: 取消这个分组的优先显示 # (?:) 取消这个分组的优先显示 #findall ret = re.findall('<\w+>(\w+)</\w+>','<h1>askh930s02391j192agsj</h1>') print(ret)#['askh930s02391j192agsj'] # search ret = re.search('<(\w+)>(\w+)</\w+>','<h1>askh930s02391j192agsj</h1>') print(ret.group())#<h1>askh930s02391j192agsj</h1> print(ret.group(1))#h1 print(ret.group(2))#askh930s02391j192agsj #从exp中匹配出第一个加法，第一个减法， a+b 或者是a-b 并且计算他们的结果 exp = '2-3*(5+6)' ret = re.search('(\d+)[+](\d+)',exp) print(ret) print(ret.group(1))#5 print(ret.group(2))#6 print(int(ret.group(1)) + int(ret.group(2)))#11 #将豆瓣源码放到douban.html，从中获取电影名： with open('douban.html',encoding='utf-8') as f: content = f.read() ret = re.findall('<span>(.*?)</span>(?:\s*<span>.*?</span>)?',content) print(ret) #除了 霸王别姬，其他电影都是 肖申克的救赎 这种格式的。 (.*?) 要显示的电影名 其中 ？是非贪婪匹配的标志 (?:\s*<span>.*?</span>)? ?: 取消这个分组的优先显示，整个（）内都不显示 \s* 两行代码之间所有的空字符 .*? 电影英文名 ？ 该部分出现0次 或者1次 # 什么是爬虫 # 通过代码获取到一个网页的源码,需要的是源码中嵌着的网页上的内容 -- 正则表达式 #先安装扩展模块 File--Settings--Project Interpreter-- + --找到包---Install Package import requests ret = requests.get('https://movie.douban.com/top250?start=0&filter=') print(ret.content.decode('utf-8'))
总结