Python编程：正则表达式详解

正则表达式，又称规则表达式,（Regular Expression，在代码中常简写为regex、regexp或RE），是一种文本模式，包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"），是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串，通常被用来检索、替换那些符合某个模式（规则）的文本。

1.正则表达式的作用

很多时候我们学习了正则表达式，但是却不知道它的作用，不知道学了正则表达式到底可以做什么？以至于学了忘，然后忘记了又继续学，做了很多无用功。今天，我就带大家来感受一下正则表达式的强大魅力吧！
现在假设你使用爬虫代码爬取了市场职位信息，具体内容如下所示：

Python3 高级开发工程师 上海互教教育科技有限公司上海-浦东新区2万/月02-18满员
测试开发工程师（C++/python） 上海墨鹍数码科技有限公司上海-浦东新区2.5万/每月02-18未满员
Python3 开发工程师 上海德拓信息技术股份有限公司上海-徐汇区1.3万/每月02-18剩余11人
测试开发工程师（Python） 赫里普（上海）信息科技有限公司上海-浦东新区1.1万/每月02-18剩余5人
Python高级开发工程师 上海行动教育科技股份有限公司上海-闵行区2.8万/月02-18剩余255人
python开发工程师 上海优似腾软件开发有限公司上海-浦东新区2.5万/每月02-18满员
1
2
3
4
5
6

现在，我们的需求是，我们要写一段程序，要从这些爬取到的文本中抓取所有职位的薪资，具体输出如下所示：

2
2.5
1.3
1.1
2.8
2.5
1
2
3
4
5
6

很明显，则要求是对字符串进行处理，如果使用我们的Python基础来实现，具体代码如下所示：

content = '''
Python3 高级开发工程师 上海互教教育科技有限公司上海-浦东新区2万/月02-18满员
测试开发工程师（C++/python） 上海墨鹍数码科技有限公司上海-浦东新区2.5万/每月02-18未满员
Python3 开发工程师 上海德拓信息技术股份有限公司上海-徐汇区1.3万/每月02-18剩余11人
测试开发工程师（Python） 赫里普（上海）信息科技有限公司上海-浦东新区1.1万/每月02-18剩余5人
Python高级开发工程师 上海行动教育科技股份有限公司上海-闵行区2.8万/月02-18剩余255人
python开发工程师 上海优似腾软件开发有限公司上海-浦东新区2.5万/每月02-18满员
'''

# 将文本按行存储到列表中
lines = content.splitlines()
for line in lines:
#     查找万/元的位置索引
    pos2 = line.find('万/月')
    if pos2 < 0:
        #查找万/每月的位置索引
        pos2 = line.find('万/每月')
        if pos2 < 0:
            continue

    # 找到数字开始的位置pos1
    idx = pos2-1
    while line[idx].isdigit() or line[idx] == '.':
        idx = idx-1
    pos1 = idx + 1
    print(line[pos1:pos2])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

上述是我们使用Python基础，通过一段比较复杂的逻辑实现的提取并输出职位的薪资的程序。但是我想告诉你，如果使用正则表达式，程序代码的规模将大大减少，这里先展示一些如何使用正则来完成该需求，具体正则表达式的代码如下所示：

content = '''
Python3 高级开发工程师 上海互教教育科技有限公司上海-浦东新区2万/月02-18满员
测试开发工程师（C++/python） 上海墨鹍数码科技有限公司上海-浦东新区2.5万/每月02-18未满员
Python3 开发工程师 上海德拓信息技术股份有限公司上海-徐汇区1.3万/每月02-18剩余11人
测试开发工程师（Python） 赫里普（上海）信息科技有限公司上海-浦东新区1.1万/每月02-18剩余5人
Python高级开发工程师 上海行动教育科技股份有限公司上海-闵行区2.8万/月02-18剩余255人
python开发工程师 上海优似腾软件开发有限公司上海-浦东新区2.5万/每月02-18满员
'''

import re
for one in  re.findall(r'([\d.]+)万/每{0,1}月', content):
    print(one)
1
2
3
4
5
6
7
8
9
10
11
12

怎么样？是不是代码量大大减少，有没有勾起你学习正则表达式的欲望呢？下面就让我们真正走进正则表达式的语法世界吧！对了，这里还向大家推荐一个验证正则表达式的优质外国网站国外正则表达式验证网站，在之后的学习过程中，每当我们编写完成一个正则表达式，不要急着运行程序，先把正则表达式在该网站进行验证，查看匹配结果，如果没问题然后在运行程序，它可以帮助我们排错和进一步提高我们编码的效率。

2.正则表达式的语法

正则表达式是一种文本模式，它包括普通字符与特殊字符，普通字符包括普通的中英文字符，例如python，中国之类的，而特殊字符包括. * + ? \ [ ] ^ $ { } | ( )，下面我带大家来分别介绍一下它各自的含义，具体如下表所示：

下面对特殊字符的具体用法做进一步分解释，具体如下所示：

. 表示要匹配除了换行符之外的任何单个字符

比如，现在需要从下面的文本中，选出所有的颜色并输出

苹果是绿色的
橙子是橙色的
香蕉是黄色的
乌鸦是黑色的
1
2
3
4

很明显，我们可以直接将正则表达式写成

.色
1

然后去对应的国外验证网站验证正则表达式的正确性，如下图所示：

从上图可以看出有4个匹配结果，那么我们的python代码该如何编写呢？具体如下所示：

import re
content = '''
苹果是绿色的
橙子是橙色的
香蕉是黄色的
乌鸦是黑色的
'''
p = re.compile(r'.色')
for one in p.findall(content):
    print(one)
# 运行结果如下所示
# 绿色
# 橙色
# 黄色
# 黑色
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

这里简单说一下，使用正则表达式前需要导包

import re
1

而compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，通过Pattern对象可以使用各种正则表达式对象的API方法。

*表示匹配前面的子表达式任意次

比如，你要从下面的文本中，选择每行逗号后面的字符串内容，包括逗号本身。

苹果,是绿色的
橙子,是橙色的
香蕉,是黄色的
乌鸦,是黑色的
猴子,
1
2
3
4
5

这样，根据特殊字符*的含义，我们可以很容易写出正则表达式为

,.*
1

将对应的文本内容与正则表达式带入对应的正则表达式验证网站验证其正确性，具体如下所示：

完成对应需求的python代码如下所示：

content = '''苹果，是绿色的
橙子，是橙色的
香蕉，是黄色的
乌鸦，是黑色的
猴子，'''

import re
p = re.compile(r',.*')
for one in  p.findall(content):
    print(one)
1
2
3
4
5
6
7
8
9
10

+表示匹配前面的子表达式一次或多次

特殊字符+与*特别类似，区别就是 +不能匹配前面的子表达式匹配0次。
比如，还是上面的例子，你要从文本中，选择每行逗号后面的字符串内容，包括逗号本身。
但是，添加一个条件， 如果逗号后面 没有内容，就不要选择了。
比如，下面的文本中，最后一行逗号后面 没有内容，就不要选择了。

苹果，是绿色的
橙子，是橙色的
香蕉，是黄色的
乌鸦，是黑色的
猴子，
1
2
3
4
5

面对这样的要求，我们就可以把正则表达式改为

,.+
1

去网站验证一下，结果如下所示：

需要注意的是：在最后一行，猴子逗号后面没有其它字符了，而+表示至少匹配1次， 所以最后一行没有子串选中。

花括号-匹配指定次数

花括号表示 前面的字符匹配 指定的次数 。
比如 ，下面的文本

红彤彤，绿油油，黑乎乎，绿油油油油
1

表达式 油{3} 就表示匹配 连续的油字3次
表达式 油{3,4} 就表示匹配 连续的油字至少3次,至多 4 次
如果使用正则表达式

正则表达式语法详解正则表达式语法详解

application/msword 0星 超过10%的资源 74KB

下载

绿油{3,4}
1

类似于这样匹配指定次数的文本，生活中比较普遍的应用就是从一段文本中提取出长度固定的内容，例如电话号码，身份证号码等信息。

贪婪模式与非贪婪模式

这里先不直接给出贪婪模式与非贪婪模式的定义，而是给出二者的区别！
假设现在我们有一个需求，要从一段文本中中提取出标签，具体的文本如下所示：

source = '