2022年 11月 7日

python提取部分字符串_python如何提取字符串

9f8bb2b45ec7a005ead8a9f810d71f31.png

在Python中,要提取文本的字符串,有多中方法,如使用正则表达式,BeautifulSoup或Xpath等来提取。下面讲解用正则表达式来提取字符串。

一、单个位置的字符串提取

这种情况我们可以使用(.+?)这个正则表达式来提取。 举例,一个字符串”a123b”,如果我们想提取ab之间的值123,可以使用findall配合正则表达式,这样会返回一个包含所以符合情况的list。

代码如下:import re

str = “a123b”

print re.findall(r”a(.+?)b”,str)#

输出[‘123’]

1.1贪婪和非贪婪匹配

如果我们有一个字符串”a123b456b”,如果我们想匹配a和最后一个b之间的所有值而非a和第一个出现的b之间的值,可以用?来控制正则贪婪和非贪婪匹配的情况。

代码如下:import re

str = “a123b456b”

print re.findall(r”a(.+?)b”, str)

输出[‘123’]#?控制只匹配0或1个,所以只会输出和最近的b之间的匹配情况print re.findall(r”a(.+)b”, str)

输出[‘123b456’]print re.findall(r”a(.*)b”, str)

输出[‘123b456’]

1.2多行匹配

如果你要多行匹配,那么需要加上re.S和re.M标志. 加上re.S后。将会匹配换行符,默认.不会匹配换行符。

代码如下:str = “a23b\na34b”

re.findall(r”a(\d+)b.+a(\d+)b”, str)

输出[]

因为不能处理str中间有\n换行的情况re.findall(r”a(\d+)b.+a(\d+)b”, str, re.S)

s输出[(’23’, ’34’)]

加上re.M后,^$标志将会匹配每一行,默认^和$只会匹配第一行。

代码如下:str = “a23b\na34b”

re.findall(r”^a(\d+)b”, str)

输出[’23’]

re.findall(r”^a(\d+)b”, str, re.M)

输出[’23’, ’34’]

二、连续多个位置的字符串提取

这种情况我们可以使用(?P…)这个正则表达式来提取。举例,如果我们有一行webserver的access日志:’192.168.0.1 25/Oct/2012:14:46:34 “GET /api HTTP/1.1” 200 44 “http://abc.com/search” “Mozilla/5.0″‘,我们想提取这行日志里面所有的内容,可以写多个(?Pexpr)来提取,其中name可以更改为你为该位置字符串命名的变量,expr改成提取位置的正则即可。

代码如下:import re

line =’192.168.0.1 25/Oct/2012:14:46:34 “GET /api HTTP/1.1” 200 44 “http://abc.com/search”

“Mozilla/5.0″‘

reg = re.compile(‘^(?P[^ ]*) (?P[^ ]*) “(?P[^”]*)”

(?P[^ ]*) (?P[^ ]*) “(?P[^”]*)” “(?P[^”]*)”‘)

regMatch = reg.match(line)

linebits = regMatch.groupdict()

print linebits

for k, v in linebits.items() :

print k+”: “+v

输出的结果为:status: 200

referrer:

request: GET /api HTTP/1.1

user_agent: Mozilla/5.0

date: 25/Oct/2012:14:46:34size: 44

remote_ip: 192.168.0.1