python正则表达式

一、常用方法

findall:匹配所有符合规律的内容，返回包含结果的列表

search：匹配并提取第一个符合规律的内容，返回一个正则表达式对象（Object）

sub：替换符合规律的内容，返回替换后的值。

S：表示多行匹配

注意:findall与search的区别：

findall会遍历整个加载范围里的内容，并逐一返回匹配到的内容；

而search一旦匹配到指定内容就不再往下匹配，返回结果，搜索结束。

二、常用符号：

.号：匹配任意字符，换行符\n除外

>>> import re

>>> a='xy123'

>>> b=re.findall('x.',a)

>>> print (b)

['xy']

>>> b=re.findall('x..',a)

>>> print (b)

['xy1']

 

*号：匹配前一个字符0次或无限次

>>> a='xyxy123'

>>> b=re.findall('x*',a)

>>> print (b)

['x', '', 'x', '', '', '', '', '']

 

？号：匹配前一个字符0次或1次

>>> a='xyxy123'

>>> b=re.findall('x.?',a)

>>> print b

['x', '', 'x', '', '', '', '', '']

注意：' '表示是匹配0次

+号：匹配前一个字符至少一次（一次或多次）

>>> a='xyxy123'

>>> b=re.findall('x+',a)

>>> print b

['x', 'x']

 

.*号：贪心算法

>>> import re

>>> secret_code='hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'

>>> b=re.findall('xx.*xx',secret_code)

>>> print b

['xxIxxfasdjifja134xxlovexx23345sdfxxyouxx']

 

.*?号:非贪心算法

>>> import re

>>>secret_code='hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'

>>> b=re.findall('xx.*?xx',secret_code)

>>> print b

['xxIxx', 'xxlovexx', 'xxyouxx']

 

（）:括号内的数据作为结果返回

>>> import re

>>>secret_code='hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'

>>> b=re.findall('xx(.*?)xx',secret_code)

>>> print b

['I', 'love', 'you']

#匹配纯数据方法举例（\d+）

>>> a='asdfefrg137143fdfhxs4321ddfdvsdf543dd'

>>> b=re.findall('(\d+)',a)

>>> print b

['137143', '4321', '543']

 当匹配指定内容是，若遇到具有特殊意义的字符，如|、\n、?等，需要用\去掉特定含义。

例

s='>1ABA:A|PDBID|CHAIN|SEQUENCE'

re.findall('>(.*?)\|',s)

['1ABA:A']

search（）和group（）配套使用

正则表达式中，group（）用来提出分组截获的字符串，（）用来分组

import re

a = "123abc456"

print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0)   #123abc456,返回整体

print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1)   #123

print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2)   #abc

print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3)   #456

分析：

1. 正则表达式中的三组括号把匹配结果分成三组

•  group() 同group（0）就是匹配正则表达式整体结果
•  group(1) 列出第一个括号匹配部分，group(2) 列出第二个括号匹配部分，group(3) 列出第三个括号匹配部分。

2. 没有匹配成功的，re.search（）返回None

3. 当然郑则表达式中没有括号，group(1)肯定不对了。

 

实战--制作文本爬虫

目标网址：http://www.imtech.res.in/raghava/sarpred/data/Manesh-215/PSSM/

目标内容：提取指定的文件内容

实现原理：

1.保存网页源代码

2.python读取文件加载源代码

3.正则表达式提取

4.写#coding=utf-8

import urllib import re def getHtml(url): page=urllib.urlopen(url) html=page.read() return html def getReq(html):
 reg1=r'href="(.*?\.mtx)">' reg2=r'href="(.*?)\.mtx">' mtx=re.compile(reg1) title=re.compile(reg2) mtxlist=re.findall(mtx,html) titlelist=re.findall(title,html) fp=open('D://Manesh-215.txt','w') i=0 for requrl in mtxlist: strurl='http://www.imtech.res.in/raghava/sarpred/data/Manesh-215/PSSM/'+requrl mtxpage=urllib.urlopen(strurl) mtxhtml=mtxpage.readlines() st=">query | "+titlelist[i]+" | Length="+mtxhtml[0] fp.write(st) fp.write(mtxhtml[1]) i=i+1 fp.close()