正则表达式和re模块

Posted 2022-04-21 buzaiyicheng

• 正则表达式
  • 定义：
    用定义好的字符的组合，组成一个规定字符串，用来表达对字符串的一种过滤规则
• 正则字符：
  • \\w（word）匹配字母或数字或下划线；
  • \\s（space）匹配任意的空白字符；
  • \\d（digit）匹配数字
     
  • \\W 匹配非字母或数字或下划线
  • \\D 匹配非数字
  • \\S 匹配非空白字符
     
  • \\n 匹配一个换行符
  • \\t 匹配一个制表符
  • \\b 匹配一个单词的结尾
     
  • a|b 匹配字符a或字符b
     
  • () 括号内的表达式也表示一个组
  • [...] 匹配字符组中的字符
  • [^...] 匹配字符组中的字符的所有字符
  • . 匹配出换行符外的任意字符
  • ^匹配一个字符串的开始
  • $匹配一个字符串的结尾
     
• 量词
• 
• 正则字符.^*举例
  
• *+？的举例
  
• []和[^]的举例
  
• 分组 (); 或 |; [^]
  
• 转义：需要取消多少转义，就要加多少 \\。或者在前边直接加r
  
  
  在正则表达式中，有很多有特殊意义的是元字符，比如\\n和\\s等，?如果要在正则中匹配正常的"\\n"而不是"换行符"就需要对"\\"进行转义，变成‘\\\\‘
• 贪婪匹配

  在满足匹配时，匹配尽可能长的字符串，默认情况下，采用贪婪匹配

  
• 取消贪婪
  

  *? 重复任意次，但尽可能少重复
  +? 重复1次或更多次，但尽可能少重复
  ?? 重复0次或1次，但尽可能少重复
  n,m? 重复n到m次，但尽可能少重复
  n,? 重复n次以上，但尽可能少重复

• .*？的用法

  . 是任意字符
  * 是取 0 至 无限长度
  ? 是非贪婪模式。
  何在一起就是 取尽量少的任意字符，一般不会这么单独写，他大多用在：
  .*?x
  
  就是取前面任意长度的字符，直到一个x出现

• re模块
  • 三个必须掌握的方法findall、serch、match

    import re
    # 第一个参数是正则表达式，第二个参数是待匹配的文本内容
    ret = re.findall(‘a‘, ‘eva egon yuan‘)  # 返回所有满足匹配条件的结果,放在列表里
    print(ret)
    ret = re.search(‘a‘, ‘eva egon yuan‘)  
    print(ret)  # 结果 ： <_sre.SRE_Match object; span=(2, 3), match=‘a‘>?
    print(ret.group())  # 结果:‘a‘
    # 函数会在字符串内查找模式匹配,直到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None，并且需要注意的是如果ret是None，再调用.group()会直接报错。这一易错点可以通过if判断来进行筛选
    if ret:
      	print(ret.group())
    ret = re.match(‘a‘, ‘abc‘).group()  # 同search,不过仅在字符串开始处进行匹配
    print(ret)  # ‘a‘
    # match是从头开始匹配，如果正则规则从头开始可以匹配上，就返回一个对象,需要用group才能显示，如果没匹配上就返回None，调用group()就会报错

  • 其他方法

    ret = re.split(‘[ab]‘, ‘abcd‘)  # 先按‘a‘分割得到‘‘和‘bcd‘,在对‘‘和‘bcd‘分别按‘b‘分割
    print(ret)  # [‘‘, ‘‘, ‘cd‘]
    ret = re.sub(‘\\d‘, ‘H‘, ‘eva3egon4yuan4‘, 1)  # 将数字替换成‘H‘，参数1表示只替换1个
    print(ret)  # evaHegon4yuan4
    ret = re.subn(‘\\d‘, ‘H‘, ‘eva3egon4yuan4‘)  # 将数字替换成‘H‘，返回元组(替换的结果,替换了多少次)
    print(ret)  # (‘evaHegonHyuanH‘, 3)
    obj = re.compile(‘\\d3‘)  #将正则表达式编译成为一个 正则表达式对象，规则要匹配的是3个数字
    ret = obj.search(‘abc123456ee‘) #正则表达式对象调用search，参数为待匹配的字符串
    print(ret.group())  #结果 ： 123
    print(ret)  # 结果 ： <_sre.SRE_Match object; span=(3, 6), match=‘123‘>
    import re
    ret = re.finditer(‘\\d‘, ‘ds3sy4784a‘)   #finditer返回一个存放匹配结果的迭代器
    print(ret)  # <callable_iterator object at 0x10195f940>
    print(next(ret).group())  #查看第一个结果 3
    print(next(ret).group())  #查看第二个结果 4
    print([i.group() for i in ret])  #查看剩余的左右结果 [‘7‘, ‘8‘, ‘4‘]
    

     

  • 分组优先机制

    import re
    res = re.search(‘^[1-9]\\d14(\\d2[0-9x])?$‘,110105199812067023)
    print(res.group())
    print(res.group(1))  # 获取正则表达式括号阔起来分组的内容
    print(res.group(2))  # search与match均支持获取分组内容的操作  跟正则无关是python机制
    # 而针对findall它没有group取值的方法，所以它默认就是分组优先获取的结果
    ret = re.findall(‘www.(baidu|oldboy).com‘, ‘www.oldboy.com‘)
    print(ret)  # [‘oldboy‘]     这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可
    ret = re.findall(‘www.(?:baidu|oldboy).com‘, ‘www.oldboy.com‘)  # ?:取消分组优先
    print(ret)  # [‘www.oldboy.com‘]

  • 补充

    import re
    ret = re.search("<(?P<tag_name>\\w+)>\\w+</(?P=tag_name)>","<h1>hello</h1>")
    #还可以在分组中利用?<name>的形式给分组起名字
    #获取的匹配结果可以直接用group(‘名字‘)拿到对应的值
    print(ret.group(‘tag_name‘))  #结果 ：h1
    print(ret.group())  #结果 ：<h1>hello</h1>
    """
    注意?P=tag_name相当于引用之前正则表达式，并且匹配到的值必须和前面的正则表达式一模一样
    """
    # 匹配整数
    ret=re.findall(r"\\d+","1-2*(60+(-40.35/5)-(-4*3))")
    print(ret) #[‘1‘, ‘2‘, ‘60‘, ‘40‘, ‘35‘, ‘5‘, ‘4‘, ‘3‘]
    ret=re.findall(r"\\d+\\.\\d*|(\\d+)","1-2*(60+(-40.35/5)-(-4*3))")
    print(ret) #[‘1‘, ‘2‘, ‘60‘, ‘‘, ‘5‘, ‘4‘, ‘3‘]
    ret.remove("")
    print(ret) #[‘1‘, ‘2‘, ‘60‘, ‘5‘, ‘4‘, ‘3‘]