python 正则表达式基础

背景

Python 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言，由于其简单的语法、强大的工具库等优势被很多人青睐，应用于各个行业之中。

准备

安装 Python 解释器/anaconda。
安装 jupyter lab。
新建 notebook（python3）文件。
已导入re模块。

匹配数字

# 匹配文本中的所有数字
str_ = "996.ICU 指工作 996、生病 ICU，也就是工作从早上 9 点上班到晚上 9 点下班，每周工作 6 天，
生病了就住进 ICU"
num1 = re.findall(r'\d+', str_) # 使用\d 匹配数字，+表示匹配多次
print(num1)
num2 = re.findall(r'[0-9]{1,3}', str_) # 正则表达式不唯一，可以使用[]指定匹配元素的范围
{}指定次数
print(num2)

输出：
['996', '996', '9', '9', '6']
['996', '996', '9', '9', '6']

匹配字符

使用\w 可以匹配数字字母下划线：

str_ = "996.ICU 指工作 996、生病 ICU，也就是工作从早上 9 点上班到晚上 9 点下班，每周工作 6 天，
生病了就住进 ICU"
s1 = re.findall(r'\w+', str_)
s1

输出：
['996', 'ICU 指工作 996', '生病 ICU', '也就是工作从早上 9 点上班到晚上 9 点下班', '每周工作 6天', '生病了就住进 ICU']

使用\S 匹配任意非空字符：

s2 = re.findall(r'\S+', str_)
s2

输出：
['996.ICU 指工作 996、生病 ICU，也就是工作从早上 9 点上班到晚上 9 点下班，每周工作 6 天，生病了就住进 ICU']

只匹配英文字母：

#在文本中匹配英文
s3 = re.search(r'[A-Za-z]+', str_).group()
print(s3)

输出：
ICU

匹配任意的非数字字符\D：

s4

输出：
['.ICU 指工作', '、生病 ICU，也就是工作从早上', '点上班到晚上', '点下班，每周工作', '天，生病了就住进 ICU']

只匹配中文：

匹配文本中的所有汉字

s5 = re.findall(r'[\u4e00-\u9fa5]{1,}', str_)
print(s5)

输出：
['指工作', '生病', '也就是工作从早上', '点上班到晚上', '点下班', '每周工作', '天', '生病了就住进']
\u4e00 和\u9fa5 两个 unicode 值正好是 Unicode 表中的汉字的头和尾。

匹配符号

# 匹配文本中的所有符号
s6 = re.findall(r'\W+', str_)
print(s6)

输出：
['.', '、', '，', '，', '，']

应用

步骤 1 匹配文本信息中的邮箱信息

匹配文本中的邮箱

str_ = "我的邮箱是 python996@icu.com"
s = re.findall(r'[A-Za-z0-9]+@[A-Za-z0-9]+\.com', str_)
print(s)

输出：
['python996@icu.com']

匹配网址 URL

str__ = "我的个人主页：https://www.python.org"
s = re.findall(r'[a-zA-z]+://[^\s]*', str__)
print(s)

输出：
['https://www.python.org']

匹配身份证号码

str__ = "我的身份证号码是 12345678901234567X"
s = re.findall(r'(\d{6})(\d{4})(\d{2})(\d{2})(\d{3})([0-9]|X)', str__)
print(s)
print(''.join(s[0]))

输出：
[('123456', '7890', '12', '34', '567', 'X')]
12345678901234567X

匹配手机号码

str__ = "我的手机号是 13012345678"
s = re.findall(r'\d{3}\d{8}|\d{4}\{7,8}', str__)
print(s)

输出：
['13012345678']

贪婪模式下的匹配

html = "aa<div>test1</div>bb<div>test2</div>cc "
res = re.search("<div>.*</div>",html)
print(res.group())

输出：

非贪婪模式下的匹配

html = "aa<div>test1</div>bb<div>test2</div>cc "
res = re.search("<div>.*?</div>",html)
print(res.group())

输出：