python中如何使用正则表达式提取数据

# re.match()函数只能从起始的位置匹配，否则返回None
import re
 
matchObj = re.match('www', 'www.runoob.com')
print(re.match('www', 'www.runoob.com').span())  # 在起始位置匹配
print(re.match('com', 'www.runoob.com'))  # 不在起始位置匹配
# (0, 3)
# None
 
# 使用group(num) 或 groups() 函数来获取用来匹配的正在表达式提取的值。
if matchObj:
    print("matchObj.group() : ", matchObj.group())
    # 执行结果是matchObj.group() :  www
    # matchObj.group() 等同于 matchObj.group(0)，表示匹配到的完整文本字符
    # print ("matchObj.group(1) : ", matchObj.group(1))
    # print ("matchObj.group(2) : ", matchObj.group(2))
 
# re.search 扫描整个字符串并返回第一个成功的匹配。
import re
 
line = "Cats are smarter than dogs";
 
searchObj = re.search(r'(.*) are (.*?) ', line, re.M | re.I)
 
if searchObj:
    print("searchObj.group() : ", searchObj.group())
    print("searchObj.group(1) : ", searchObj.group(1))
    print("searchObj.group(2) : ", searchObj.group(2))
# 执行结果
# searchObj.group() :  Cats are smarter
# searchObj.group(1) :  Cats
# searchObj.group(2) :  smarter
 
# re.sub()用于替换字符串中的匹配项
 
import re
 
phone = "2004-959-559 # 这是一个国外电话号码"
 
# 删除字符串中的 Python注释,$匹配字符串的末尾。
# 把匹配到的字符串替换为空字符串
num = re.sub(r'#.*$', "", phone)
print("电话号码是: ", num)
# 电话号码是:  2004-959-559
# 删除非数字(-)的字符串,\D 匹配任意非数字
num = re.sub(r'\D', "", phone)
print("电话号码是 : ", num)
# 电话号码是 :  2004959559
"""
findall在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。
注意： match 和 search 是匹配一次 findall 匹配所有。
"""
import re
 
pattern = re.compile(r'\d+')  # 创建个正着表达式对象，查找数字
result1 = pattern.findall('runoob 123 google 456')
result2 = pattern.findall('run88oob123google456', 0, 10)
result3 = pattern.search('runoob 123 google 456')
# 123 只匹配了一次，匹配首个符合要求的字符串
 
print(result1)
print(result2)
print(result3.group())
 
# 执行结果：
# ['123', '456']
# ['88', '12']
# 123

import re
pattern = re.compile(r'\d+')  # 用于匹配至少一个数字
m = pattern.match('one12twothree34four')  # 查找头部，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
print(m)
# None
m = pattern.match('one12twothree34four', 3, 10)  # 从'1'的位置开始匹配，正好匹配
print(m)  # 返回一个 Match 对象
# <re.Match object; span=(3, 5), match='12'>
print(m.group(0))  # 可省略 0,获得整个匹配的子串时，可直接使用 group() 或 group(0)；
# '12'
print(m.start(0))  # 可省略 0,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；
# 3
print(m.end(0))  # 可省略 0,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；
5
print(m.span(0))  # 可省略 0,返回 (start(group), end(group))。
# (3, 5)

content = '''苹果，苹果是绿色的
橙子，橙子是橙色的
香蕉，香蕉是黄色的'''
 
import re
p = re.compile(r'^(.*)，', re.MULTILINE)
for one in  p.findall(content):
    print(one)

content = '''张三，手机号码15945678901
李四，手机号码13945677701
王二，手机号码13845666901'''
 
import re
 
p = re.compile(r'^(.+)，.+(\d{11})', re.MULTILINE)
print(p.findall(content))
#findall()方法返回的是列表
m = p.search(content)
#列表不能调用group，因此需使用search()方法，但search方法只能匹配第一个符合的
print(m.group(1))
print(m.group(2))
for one in p.findall(content):
    print(one)
    print(type(one))
 
#执行结果
# [('张三', '15945678901'), ('李四', '13945677701'), ('王二', '13845666901')]
# 张三
# 15945678901
# ('张三', '15945678901')
# <class 'tuple'>
# ('李四', '13945677701')
# <class 'tuple'>
# ('王二', '13845666901')
# <class 'tuple'>
 

import re
p = re.compile(r'^(?P<name>.+)，.+(?P<phone>\d{11})', re.MULTILINE)
print(p.finditer(content))
# 返回string中所有与pattern相匹配的全部字串，返回形式为迭代器。
for match in p.finditer(content):
    print(match.group('name'))
    print(match.group('phone'))
 
# 执行结果
# <callable_iterator object at 0x00000000027C2518>
# 张三
# 15945678901
# 李四
# 13945677701
# 王二
# 13845666901

content = 'a1b2c3d4e5'
 
import re
p = re.compile(r'[^\d]' )
for one in  p.findall(content):
    print(one)

names = '关羽; 张飞, 赵云,马超, 黄忠  李逵'

import re
 
names = '关羽; 张飞, 赵云,   马超, 黄忠  李逵'
 
namelist = re.split(r'[;,\s]\s*', names)
print(namelist)

names = '''
下面是这学期要学习的课程：
<a href='https://www.bilibili.com/video/av66771949/?p=1' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是牛顿第2运动定律
<a href='https://www.bilibili.com/video/av46349552/?p=125' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是毕达哥拉斯公式
<a href='https://www.bilibili.com/video/av90571967/?p=33' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是切割磁力线
'''

import re
 
names = '''
下面是这学期要学习的课程：
<a href='https://www.bilibili.com/video/av66771949/?p=1' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是牛顿第2运动定律
<a href='https://www.bilibili.com/video/av46349552/?p=125' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是毕达哥拉斯公式
<a href='https://www.bilibili.com/video/av90571967/?p=33' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是切割磁力线
'''
 
newStr = re.sub(r'/av\d+?/', '/cn345677/' , names)
print(newStr)

import re
 
names = '''
下面是这学期要学习的课程：
<a href='https://www.bilibili.com/video/av66771949/?p=1' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是牛顿第2运动定律
<a href='https://www.bilibili.com/video/av46349552/?p=125' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是毕达哥拉斯公式
<a href='https://www.bilibili.com/video/av90571967/?p=33' target='_blank'>点击这里，边看视频讲解，边学习以下内容</a>
这节讲的是切割磁力线
'''
 
# 替换函数，参数是 Match对象
def subFunc(match):
    # Match对象 的 group(0) 返回的是整个匹配上的字符串
    src = match.group(0)
    
    # Match对象 的 group(1) 返回的是第一个group分组的内容
    number = int(match.group(1)) + 6
    dest = f'/av{number}/'
 
    print(f'{src} 替换为 {dest}')
 
    # 返回值就是最终替换的字符串
    return dest
 
newStr = re.sub(r'/av(\d+?)/', subFunc , names)
print(newStr)

# 正则表达式提取
import re
 
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
'''
 
for one in  re.findall(r'([\d.]+)万/每{0,1}月', content):
    print(one)
 
 

#非正则表达式提取
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
'''
 
# 将文本内容按行分割，放入列表，按\r\n,\r（回车）,\n（换行）分割
lines = content.splitlines()
 
# print(lines)
for line in lines:
    # 查找'万/月' 在 字符串中什么地方
    # find() 方法检测字符串中是否包含子字符串 str ,如果包含的话，返回子字符串开始的索引，
    # 不包含的话返回-1
    pos2 = line.find('万/月')
    # print(pos2)
    if pos2 < 0:
        # 查找'万/每月' 在 字符串中什么地方
        pos2 = line.find('万/每月')
        # 都找不到，满足条件，触发continue，不执行后面的代码，跳到循环开头进入下一轮循环
        if pos2 < 0:
            continue
    # 执行到这里，说明可以找到薪资关键字
    # 接下来分析 薪资 数字的起始位置
    # 方法是 找到 pos2 前面薪资数字开始的位置
    idx = pos2 - 1
 
    # 只要是数字或者小数点，就继续往前面找
    # isdigit()方法检测字符串是否只由数字组成，如果字符串只包含数字则返回 True 否则返回 False
    while line[idx].isdigit() or line[idx] == '.':
        idx -= 1
 
    # 现在 idx 指向 薪资数字前面的那个字，
    # 所以薪资开始的 索引 就是 idx+1
    pos1 = idx + 1
    print(line[pos1:pos2])