day03_正则表达式
1、数据分类
-
数据的分类
定义：数据以行为单位，每一个数据表示一个实体的信息。每一行数据的属性都是一样的。
常见的结构化数据为关系型数据库存储数据。
-
半结构化数据
定义：结构化数据的另一种形式，但是并不符合关系型数据的特点，不能用关系型模型来描述，但是 这种数据包含相关标记，有用来分隔语义元素以及字段进行分层的描述。因此也被称为自描述结构。
-
非结构化数据
定义：没有固定的结构的数据。
常见的非结构化数据有：文档，图片，音频，视频等。
一般非结构化数据，都是通过整体存储他们二进制格式的数据来进行保存。
2、json数据
2.1、json语言概念
js中的语言，用来以【字符串】的形式来保存js中的对象和数组的一种技术。
2.2、js中对象和数组的格式
- js的数组：
var names = ["zs", "ls", "ww"] - js对象：
varuser = {name: "zs", age: 18, height: 170}
2.3、json数据解析
-
json.loads('json字符串')将json数据转成python对象(dict, list) -
json.dumps('python对象')将python对象转成json字符串
2.4、json数据的优势
-
数据量很小
-
传输效率高
3、正则表达式
3.1、正则表达式的定义
正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组
合，组成一个”规则字符串”，这个”规则字符串”用来表达对字符串的一种过滤逻辑。
3.2、正则表达式的作用
- 给定的字符串是否符合正则表达式的过滤逻辑（”匹配”）；
- 通过正则表达式，从文本字符串中获取我们想要的特定部分（”过滤”）。
3.3、正则表达式匹配规则
(1)常用的元字符：
| 语法 | 说明 | 表达式实例 | 完整匹配的字符串 |
|---|---|---|---|
| \d | 0-9之间的任意数字 | a\dc | a2c |
| \D | 除了\d | a\Dc | abc |
| \w | 数字、字母、下划线中任意一种 | a\wc | abc |
| \W | 除了\w | a\Wc | a%c |
| \n | 换行 | ||
| \s | 空白或空格 | a\sc | a c |
| . | 除了\n任意字符 | ||
| \. | 用 \ 转义让.代表自身 |
||
| \b | 单词的边界 | ||
| ^ | 开始 | ^abc | abc |
| $ | 结束 | abc$ | abc |
| [\u4e00-\u9fa5] | 中文 |
(3)量词：
| 语法 | 说明 | 表达式实例 | 完整匹配的字符串 |
|---|---|---|---|
| ？ | 匹配前一个字符0或1次 | abc? | ab, abc |
| + | 匹配前一个字符1或多次 | abc+ | abc, abccc |
| * | 匹配前一个字符0或多次 | abc* | ab, abccc |
| {n} | 匹配前一个字符n次 | ab{2}c | abbc |
| {n,} | 匹配前一个字符n-多次 | ab{2,}c | abbc, abbbbc |
| {n,m} | 匹配前一个字符n-m次 | ab{1,2}c | abc, abbc |
(3)量词：
| 语法 | 说明 | 表达式实例 | 完整匹配的字符串 |
|---|---|---|---|
| | | 或者，由于优先级比较低，经常和小括号一起使用 | abc|cd | |
| [0-9] | 0-9之间任意一个，相当于\d | ||
| [xyz] | x或y或z | ||
| [\d\s] | 数字或空白中的一个 | ||
| [.] | 体表.本身 |
||
| [+-] |
+或-中的一个 |
||
| [^xyz] | 除了x,y,z任意一个字符 |
3.4、正则表达式的使用步骤
- 使用
compile()函数将正则表达式的字符串形式编译为一个Pattern对象 - 通过
Pattern对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。 - 最后使用
Match对象提供的属性和方法获得信息，根据需要进行其他的操作
3.5、compile 函数
compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：
import re
# 将正则表达式编译成 Pattern 对象
pattern = re.compile(r'\d+')Pattern 对象的一些常用方法主要有：
- match 方法：从起始位置开始查找，一次匹配
- search 方法：从任何位置开始查找，一次匹配
- findall 方法：全部匹配，返回列表
- finditer 方法：全部匹配，返回迭代器
- split 方法：分割字符串，返回列表
- sub 方法：替换
3.6、pattern对象中方法
-
3.6.1、match方法
默认从开始位置开始匹配，只匹配一次， 只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。 它的一般使用形式如下：
match(string[, start, end])其中，string 是待匹配的字符串，start 和 end 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 start 和 end 时，match 方法默认匹配字符串的头部。
当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。
>>> import re >>> pattern = re.compile(r'\d+') # 用于匹配至少一个数字 >>> m = pattern.match('one12twothree34four') # 从头部开始查找，没有匹配 >>> print (m) None >>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配到 >>> print (m) None >>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配到 >>> print (m) # 返回一个 Match 对象 <_sre.SRE_Match object at 0x10a42aac0> >>> m.group(0) # 可省略 0 '12' >>> m.start(0) # 可省略 0 3 >>> m.end(0) # 可省略 0 5 >>> m.span(0) # 可省略 0 (3, 5)匹配成功时返回一个match对象，其中：
- group（） 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
- start( ) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
- end( ) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
- span( ) 方法返回 (start(group), end(group))。
>>> import re >>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小写 >>> m = pattern.match('Hello World Wide Web') >>> print (m) # 匹配成功，返回一个 Match 对象 <_sre.SRE_Match object at 0x10bea83e8> >>> m.group(0) # 返回匹配成功的整个子串 'Hello World' >>> m.span(0) # 返回匹配成功的整个子串的索引 (0, 11) >>> m.group(1) # 返回第一个分组匹配成功的子串 'Hello' >>> m.span(1) # 返回第一个分组匹配成功的子串的索引 (0, 5) >>> m.group(2) # 返回第二个分组匹配成功的子串 'World' >>> m.span(2) # 返回第二个分组匹配成功的子串 (6, 11) >>> m.groups() # 等价于 (m.group(1), m.group(2), ...) ('Hello', 'World') >>> m.group(3) # 不存在第三个分组 Traceback (most recent call last): File "<stdin>", line 1, in <module> IndexError: no such group -
3.6.2、search方法
用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：
search(string[, start, end])其中，string 是待匹配的字符串，start 和 end 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。
当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。
>>> import re >>> pattern = re.compile('\d+') >>> m = pattern.search('one12twothree34four') # 这里如果使用 match 方法则不匹配 >>> m <_sre.SRE_Match object at 0x10cc03ac0> >>> m.group() '12' >>> m = pattern.search('one12twothree34four', 10, 30) # 指定字符串区间 >>> m <_sre.SRE_Match object at 0x10cc03b28> >>> m.group() '34' >>> m.span() (13, 15)再来看一个例子：
import re # 将正则表达式编译成 Pattern 对象 pattern = re.compile(r'\d+') # 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None # 这里使用 match() 无法成功匹配 m = pattern.search('hello 123456 789') if m: # 使用 Match 获得分组信息 print ('matching string:',m.group()) # 起始位置和结束位置 print ('position:',m.span())执行结果：
matching string: 123456 position: (6, 12) -
3.6.3、findall方法
默认从头开始匹配，搜索整个字符串，获取所有匹配的结果。它的一般使用形式如下：
findall(string[, start, end])其中，string 是待匹配的字符串，start 和 end 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。
findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。
看看例子：
import re pattern = re.compile(r'\d+') # 查找数字 result1 = pattern.findall('hello 123456 789') result2 = pattern.findall('one1two2three3four4', 0, 10) print (result1) print (result2)执行结果：
['123456', '789'] ['1', '2']再先看一个例子：
import re pattern = re.compile(r'\d+\.\d*') #通过partten.findall()方法就能够全部匹配到我们得到的字符串 result = pattern.findall("123.141593, 'bigcat', 232312, 3.15") #findall 以 列表形式 返回全部能匹配的子串给result for item in result: print (item)运行结果：
123.141593 3.15 -
3.6.4、finditer方法
finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个 顺序访问每一个匹配结果（Match 对象）的迭代器。
看看例子：
import re pattern = re.compile(r'\d+') ret1_iter = pattern.finditer('hello 123456 789') ret2_iter = pattern.finditer('one1two2three3four4', 0, 10) print(type(ret1_iter)) print(type(ret1_iter)) print('----ret1----') for m1 in ret1_iter: # print(m1) # m1是一个对象 print('matching string:{}，position:{}'.format(m1.group(), m1.span())) print('----ret2----') for m2 in ret2_iter: # print(m2) # m2是一个对象 print('matching string:{}，position:{}'.format(m2.group(), m2.span()))执行结果：
<class 'callable_iterator'> <class 'callable_iterator'> ----ret1---- matching string:123456，position:(6, 12) matching string:789，position:(13, 16) ----ret2---- matching string:1，position:(3, 4) matching string:2，position:(7, 8) -
3.6.5、split方法
split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：
split(string[, count])其中，count 用于指定最大分割次数，不指定将全部分割。
看看例子
import re pattern = re.compile(r'[\s\,\;]+') ret = pattern.split('a,b;;c d') print(ret)执行结果：
['a', 'b', 'c', 'd'] -
3.6.6、sub方法
sub 方法用于替换。它的使用形式如下：
sub(repl, string[, count])其中，repl 可以是字符串也可以是一个函数：
- 如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；
- 如果 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
- count 用于指定最多替换次数，不指定时全部替换。
看看例子：
import re pattern = re.compile(r'(\w+) (\w+)') s = 'hello 123, hello 456' print(pattern.sub('hello world', s)) # 使用 'hello world' 替换 'hello 123' 和 'hello 456' print(pattern.sub(r'\1 \2', s)) # 引用分组 print('-' * 50) def fun(m): print(m) # 传递参数必须为一个Match对象 return 'hi' + ' ' + m.group(2) # group(0)表示本身，group(1)表示hello，group(2)表示后面的数字 print(pattern.sub(fun, s)) # 每次sub的结果传递给fun print(pattern.sub(fun, s, 1)) # 只替换一次执行结果：
hello world, hello world hello 123, hello 456 ------------------------------------------------------------ <_sre.SRE_Match object; span=(0, 9), match='hello 123'> <_sre.SRE_Match object; span=(11, 20), match='hello 456'> hi 123, hi 456 <_sre.SRE_Match object; span=(0, 9), match='hello 123'> hi 123, hello 456
3.7、匹配中文
中文的 unicode 编码范围 主要在 [u4e00-u9fa5] ， 这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。
假设现在想把字符串 title = u’你好，hello，世界’ 中的中文提取出来，可以这么做：
import re
title = '你好，hello，世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print (result)正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。
3.8、贪婪模式与非贪婪模式
-
婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；
-
非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；
-
Python里数量词默认是贪婪的。
例子一：源字符串：abbbc
- 使用贪婪的数量词的正则表达式
ab*，匹配结果： abbb。
*决定了尽可能多匹配 b，所以a后面所有的 b 都出现了。
- 使用非贪婪的数量词的正则表达式
ab*?，匹配结果： a。
即使前面有
*，但是?决定了尽可能少匹配 b，所以没有 b。
例子二：源字符串：aa<div>test1</div>bb<div>test2</div>cc
- 使用贪婪的数量词的正则表达式：
<div>.*</div> - 匹配结果：
<div>test1</div>bb<div>test2</div>
这里采用的是贪婪模式。在匹配到第一个
</div>时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个</div>后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为<div>test1</div>bb<div>test2</div>
- 使用非贪婪的数量词的正则表达式 :
<div>.*?</div> - 匹配结果：
<div>test1</div>
正则表达式二采用的是非贪婪模式，在匹配到第一个
</div>时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为<div>test1</div>。