Python开发第一篇Python基础之正则表达式补充

Posted 2020-08-21

正则表达式

一简介：
就其本质而言，正则表达式（或RE）是一种小型的、高度专业化的标称语言，
（在Python中）它内嵌在Python中，并通过re模块实现。正则表达式模式被
编译成一系列的字节码，然后由用C编写的匹配引擎执行。

先导入后执行：
import re

 

二、字符匹配：

字符匹配（普通字符，元字符）：
普通字符：大多数字符和字母都会和自身匹配
>>> re.findall(‘alex‘,‘yuanaleSxalexwupeiqi‘)
[‘alex‘]

2元字符：. ^ $ * + ? {} [] | () \

我们首先考察的元字符是“[”和"]"。它们常用来指定一个字符类别，所有字符类
别就是你想匹配的一个字符集。字符可以单个列出，也可以用“-”号分隔的两个给定
字符来表示一个字符区间。例如，[abc]将匹配“a”,"b",或"c"中的任意一个字符；
也可以用区间[a-c]来表示同一字符集，和前者效果一致。如果你只想匹配小写
字母，那么RE应写成[a-z].
元字符在类别里并不起作用。例如，[akm$]将匹配字符"a","k","m",或"$"中
的任意一个；"$"通常用作元字符，但在字符类别中，其特性被除去，恢复成普通字符。

():
#!python
>>> p = re.compile(‘(a(b)c)d‘)
>>> m = p.match(‘abcd‘)
>>> m.group(0)
‘abcd‘
>>> m.group(1)
‘abc‘
>>> m.group(2)
‘b‘
[]:元字符[]表示字符类，在一个字符类中，只有字符^、-、]和\有特殊含义。
字符\仍然表示转义，字符-可以定义字符范围，字符^放在前面，表示非.

. 匹配到换行符之外得任何一个字符
+ 匹配+号前内容1次至无限次
? 匹配?号前内容0次到1次
{m} 匹配前面的内容m次
{m,n} 匹配前面的内容m到n次
*?,+?,??,{m,n}? 前面的*,+,?等都是贪婪匹配，也就是尽可能匹配，后面加?号使其变成惰性匹配

从前面的描述可以看到‘*‘,‘+‘和‘*‘都是贪婪的，但这也许并不是我们说要的，
所以，可以在后面加个问号，将策略改为非贪婪，只匹配尽量少的RE。示例，
体会两者的区别：
>>> re.findall(r"a(\d+?)","a23b") #非贪婪模式
[‘2‘]
>>> re.findall(r"a(\d+)","a23b")
[‘23‘]

>>> re.search(‘<(.*)>‘, ‘<H1>title</H1>‘).group()
‘<H1>title</H1>‘
re.search(‘<(.*?)>‘, ‘<H1>title</H1>‘).group()
‘<H1>‘

注意比较这种情况：
>>> re.findall(r"a(\d+)b","a23b")
[‘23‘]
>>> re.findall(r"a(\d+?)b","a23b") #如果前后均有限定条件，则非匹配模式失效

\:
反斜杠后边跟元字符去除特殊功能。
反斜杠后边跟普通字符实现特殊功能。
引用序号对应的字组所匹配的字符串。
re.search(r"(alex)(eric)com\2","alexericcomeric")

\d 匹配任何十进制数；它相当于类 [0-9]。
\D 匹配任何非数字字符；它相当于类[^0-9]。
\s 匹配任何空白字符；它相当于类[\t\n\r\f\v]。
\S 匹配任何非空白字符；它相当于类[^ \t\n\r\f\v]。
\w 匹配任何字母数字字符；它相当于类[a-zA-Z0-9]。
\W 匹配任何非字母数字字符；它相当于类[^a-zA-Z0-9]。
\b: 匹配一个单词边界，也就是指单词和空格间的位置。
匹配单词边界（包括开始和结束），这里的“单词”，是指连续的字母、数字和下划线租场的字符串。注意\b的定义是\w和\W的交界，
这是个零宽界字符（zero-width assertions）只用以匹配单词的词首和词尾。
单词被定义为一个字母数字序列，因此词尾就是用空白符或非字母数字符来标示的。

r是按照原生字符来匹配。
>>> re.findall(‘I‘,‘I am hanIsome‘)
[‘I‘, ‘I‘]
>>> re.findall(r‘I\b‘,‘I am hanIsome‘)
[‘I‘]
>>> re.findall(r‘I\b‘,‘I&am hanIsome‘)
[‘I‘]

 

练习：

匹配除换行符以外的任意字符:
re.findall(‘al.x‘,‘yuanaleSxalexwupeiqi‘)
^起始位置匹配：
re.findall(‘^al.x‘,‘alexyuanaleSxalexwupeiqi‘
$末尾位置匹配：

*匹配0到多次：
re.findall(‘al.*x‘,‘yuanaleSxalexwupeiqi‘)
匹配+号前内容1次至无限次：
re.findall(‘al.+x‘,‘yuanaleSxaleexwupeiqi‘)
匹配?号前内容0次到1次：
re.findall(‘al.?x‘,‘yuanaleSxalxwupeiqi‘)
re.findall(‘al.?x‘,‘yuanaleSxalwxwupeiqi‘)
匹配前面的内容m到n次：
re.findall(‘al.{1,5}x‘,‘yuanSxalweeeexwupeiqi‘)
re.findall(‘ald{,6}x‘,‘yuanSxalddddddxwupeiqi‘)（注：匹配前面的d，0到6次）
[]匹配：
re.findall(‘a[bc]d‘,‘abd‘)
re.findall(‘a[a-c]d‘,‘abd‘)
re.findall(‘a[a-z]+d‘,‘agbd‘)
re.findall(‘a[a*]d‘,‘a*d‘) （注：特殊）
re.findall(‘a[1-9]d‘,‘a4d‘)
^尖角符在[]是非：
re.findall(‘a[^f]d‘,‘abd‘)
\匹配：
re.findall(‘a[\d]d‘,‘a2d‘)(注：\d代表数字的意思)
re.findall(‘a\wd‘,‘a_d‘)（注：包括下划线）
re.findall(r‘I\b‘,‘I am hanIsome‘)（用到了原生字符r匹配空格）

三、函数

1)
match: re.match(pattern, string, flags=0)
flags 编译标志位，用于修改正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。
#.group（）是拿到匹配到得值，是match的一个方法。
re.match(‘com‘,‘comwww.runcomoob‘).group()
re.match(‘com‘,‘Comwww.runComoob‘,re.I).group()

2)
search:re.search(pattern,string,flags=0)
re.search(‘\dcom‘,‘www.4comrunoob.5com‘).group()

注意：
findall 是应用最广得。
re.match(‘com‘,‘comwww.runcomoob‘)
re.search(‘\dcom‘,‘www.4comrunoob.5com‘)
一旦匹配成功，就是一个match object 对象，而match object对象拥有以下方法：
group()返回被 RE 匹配的字符串
start()返回匹配开始的位置
end()返回匹配结束的位置
span()返回一个元组包含匹配（开始，结束）的位置
group()返回re整体匹配的字符串，可以一次输入多个组号，对应组号匹配的字符串。
1. group()返回re整体匹配的字符串。
2. group (n,m)返回组号为n，m所匹配的字符串，如果组号不存在，则返回indexError异常
3.groups()groups()方法返回一个包含正则表达式中所有小组字符串的元组，从1到所含的小组好，通常groups()不需要参数，返回一个元组，元组中的元就是正则表达式中定义的组。
import re
a = "123abc456"
re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0) #123abc456,返回整体
re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1) #123
re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2) #abc
re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3) #456

group(1)列出第一个括号匹配部门，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。

3)
findall：
re.findall 以列表形式返回所有匹配的字符串
re.findall 可以获取字符串中所有匹配的字符串。如：

p = re.compile(r‘\d+‘)
print p.findall(‘one1two2three3four4‘)

re.findall(r‘\w*oo\w*‘, text);获取字符串中，包含‘oo‘的所有单词。

import re
text = "JGood is a handsome boy, he is handsome and cool,clever,and so on ...."
print re.findall(r‘\w*oo\w*‘,text) #结果：[‘JGood‘,‘cool‘]
#print re.findall(r‘(\w)*oo(\w)*‘,text) # ()表示子表达式 结果：[(‘G‘,‘d‘),(‘c‘,‘l‘)]

finditer():

>>> p = re.compile(r‘\d+‘)
>>> iterator = p.finditer(‘12 drumm44ers drumming, 11... 10 ...‘)
>>> for match in iterator:
match.group(),match.span()

4)
sub subn:

re.sub(pattern, repl, string, max=0)
re.sub("g.t","have",‘I get A, I got B, I gut C‘)

re.sub("g.t","have",‘I get A, I got B, I gut C‘,2)
#后面2 数字，是最大替换次数

re.subn("g.t","have",‘I get A, I got B, I gut C‘)
subn不仅全替换了，而且把替换得次数也打印出来。

5)
split:
p = re.compile(r‘\d+‘)
p.split(‘one1two2tree3four4‘)

re.split(‘\d+‘,‘one1two2three3four‘)

6)
re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为
Pattern对象。第二个参数flag是匹配模式，取值可以使用按位或运算符‘|‘
表示同时生效，比如re.I | re.M
可以把正则表达式编译成一个正则表达式对象。可以把那些经常使用的正则
表达式编译成正则表达式对象，这样可以提高一定的效率。下面是一个正则表达式对象的一个例子：

import re
text = "JGood is a handsome boy, he is cool, clever, and so on..."
regex = re.compile(r‘\w*oo\w*‘)
print regex.findall(text) #查找所有包含‘oo‘的单词

原生字符串 r:

a = re.search(r‘\bblow‘,‘blow‘)

正则分组：
去已经匹配到的数据中再提取数据