22. 正则表达式
一、概述
正则表达式（regular expression）又称 规则表达式，是一种文本模式（pattern）。正则表达式使用一个字符串来描述、匹配具有相同规格的字符串，通常被用来检索、替换那些符合某个模式（规则）的文本。正则表达式的核心功能就是处理文本。正则表达式并不仅限于某一种语言，但是在每种语言中有细微的差别。
二、re模块
在 Python 中提供了 re 模块来使用正则表达式。每一个字符串都可以视为一个简单的正则表达式。
re.findall(pattern, string, flags=0) # 去整个文本中查找所有符合正则表达式的文本
re.search(pattern, string, flags=0) # 去整个文本中去匹配，返回匹配成功的第一个
re.match(pattern, string, flags=0) # 从开始位置开始匹配，返回匹配成功的第一个
re.split(pattern, string, maxsplit=0, flags=0) # 根据正则表达式切割字符串
re.Match.group([group1, ...]) # 返回这个匹配对象或者特定子组
re.Match.groups(default=None) # 返回一个唯一或者全部子组的元组
在 Python 中，主要有两种方法完成模式匹配：“搜索”（searching），即在字符串任意部分中搜索匹配的模式；而 “匹配”（matching）是指判断一个字符串能否从起始处全部或者部分匹配某个模式。搜索通过 search() 函数或方法来实现，而匹配是调用 match() 函数或方法实现。
match() 函数试图从字符串的起始部分对模式进行匹配。如果匹配成功，就返回一个匹配对象（Match 对象）；如果匹配失败，就返回 None，匹配对象（Match 对象）的 group() 方法能够用于显示那个成功的匹配。
search() 的工作方式与 match() 完全一致，不同之处在于 search() 会用它的字符串参数，在任意位置对给定正则表达式模式搜索第一次出现的匹配情况。如果搜索到成功的匹配，就会返回一个匹配对象（Match 对象）；否则，返回 None。
由此可见，match() 试图从字符串的起始部分开始匹配模式，而 search() 函数不但会搜索模式在字符串中第一次出现的位置，而且严格地对字符串从左到右搜索。
findall() 查询字符串中某个正则表达式模式全部的非重复出现情况。这与 search() 在执行字符串搜索时类似，但与 match() 和 search() 的不同之处在于，findall() 总是返回一个列表。如果 findall() 没有找到匹配的部分，就返回一个空列表，但如果匹配成功，列表将包含所有成功的匹配部分（从左到有按出现顺序排列）。
import re
content = "你好啊，小樱同学！欢迎你加入小樱班。从现在开始你就是我的朋友啊。小樱同志，请多多关照。"
regex = "小樱"
result = re.findall(regex,content)
print(result)
result = re.search(regex,content)
print(result.group())
result = re.match(regex,content)
print(result)
result = re.split(r"[，！。]",content)
print(result)
三、基础语法
3.1、转义字符
使用正则表达式去检索某些特殊字符的时候，需要用到转义字符，否则检索不到结果，甚至会报错；在 Python 中，\ 具有转义的意思，会对紧随其后的字符进行转义，如果我们想使用普通的 \ ，需要在使用一个 \ 对它进行转义。
import re
content = "abc$def(123(456))"
regex = "\(456"
result = re.findall(regex,content)
print(result)
result = re.match(regex,content)
print(result)
需要用到转义符号的常见字符如下：. * + ( ) $ / \ ? [ ] ^
3.2、字符匹配符
| 字符匹配符 | 含义 | 实例 | 解释 |
|---|---|---|---|
[] |
可接收的字符列表 | [abc] | a、b、c 中的任意 1 个字符 |
[^] |
不可接收的字符列表 | [^abc] | 除 a、b、c 之外的任意 1 个字符 包括数字和特殊符号 |
- |
连字符 | a-z | 任意一个小写字母 |
import re
content = "abc123def4567AbC"
result = re.findall("[abc]",content)
print(result)
result = re.findall("[^abc]",content)
print(result)
result = re.findall("[a-z]",content)
print(result)
3.3、元字符
| 元字符 | 含义 |
|---|---|
. |
匹配单个除换行符以外的任意字符 |
\d |
匹配 0~9 任意一个数字 |
\D |
匹配单个任意非数字字符 |
\s |
匹配任意空白字符 |
\S |
匹配任意不是空白符的字符 |
\w |
匹配字母或数字或下划线的任意字符 |
\W |
匹配任意不是字母、数字、下划线的字符 |
import re
content = "abc123def4567AbC"
result = re.findall("\\d\\d\\d",content)
print(result)
result = re.findall(r"\d\w",content)
print(result)
元字符的大写表示不匹配；
3.4、重复限定符
重复限定符用于指定其前面的字符和组合项连续出现多少次。
| 重复限定符 | 意义 |
|---|---|
? |
0 次 或 1 次 |
* |
0 次 或 多次 |
+ |
1 次 或 多次 |
{n} |
正好出现 n 次 |
{n,} |
至少出现 n 次 |
{n,m} |
出现 n 次 至 m 次 |
import re
content = "abc123def4567AbC89d115200a1"
resutl = re.findall(r"\d{3,5}",content)
print(resutl)
result = re.findall(r"\d+",content)
print(result)
3.5、定位符
定位符，用来指定要匹配的字符串出现的位置。
| 定位符 | 含义 |
|---|---|
| ^ | 指定起始字符 |
| $ | 指定结束字符 |
| \b | 匹配目标字符串的边界， 边界指的是字串间有空格，或者目标字符串的结束位置 |
| \B | 匹配非单词边界 |
import re
content = "abc123 def4567abc123abc abc89 d115200 a1abc"
result = re.findall("^abc",content)
print(result)
result = re.findall("abc$",content)
print(result)
result = re.findall(r"abc\b",content)
print(result)
result = re.findall("^ab\B",content)
print(result)
3.6、选择匹配符
正则表达式用符号 | 来表示或，也叫做分支条件，当满足正则表达里的分支条件的任何一种条件时，都会当成匹配成功。
import re
content = "你好啊，小樱同学，欢迎你加入小樱班，从现在开始你就是我的朋友啊，小樱同志，请多多关照。"
regex = "小樱同学|小樱同志"
result = re.findall(regex,content)
print(result)
3.6、分组组合
重复限定符是作用在与它相邻的最左边的一个字符。正则表达式中可以使用小括号 () 来做分组，也就是括号中的内容会作为一个整体。
3.6.1、捕获分组
我们可以使用 group() 方法匹配对象方法，从一个分组中获取匹配的文本。正则表达式字符串中的第一对括号是第 1 组，第二对括号是第 2 组，依次类推。向 group() 匹配对象方法传入整数就可以取得匹配文本的不同部分。向 group() 传入 0 或者不传入参数，将返回这个匹配的文本。
如果想要一次就获取所有的分组，我们可以使用 groups() 方法。
| 捕获分组 | 说明 |
|---|---|
(pattern) |
非命名捕获。捕获匹配的子字符串。编号为零的第一个捕获是由整个正则表达式模式匹配的文本，其它捕获结果则根据左括号的顺序从 1 开始自动编号。 |
(P<name>pattern) |
命名捕获。将匹配的子字符串捕获到一个组名称或编号名称中。用于 name 的字符串不能包含任何标点符号，并且不能以数字开头。可以使用单引号替代尖括号。 |
import re
content = "我是小樱，我的身份证明是37028419860401232X"
regex = r"\d{6}(\d{4})(\d{2})(\d{2})\d{3}[\dX]"
result = re.search(regex,content)
year = result.group(1)
month = result.group(2)
day = result.group(3)
print(result.group(0))
print(f"{year}-{month}-{day}")
import re
content = "我是小樱，我的身份证明是37028419860401232X"
regex = r"\d{6}(?P<year>\d{4})(?P<month>\d{2})(?P<day>\d{2})\d{3}[\d|X]"
result = re.search(regex,content)
year = result.group("year")
month = result.group("month")
day = result.group("day")
print(result.group(0))
print(f"{year}-{month}-{day}")
3.6.2、非捕获分组
| 非捕获分组 | 说明 |
|---|---|
(?:pattern) |
匹配 pattern 但不捕获该匹配的子表达式，即它是一个非捕获匹配，不存储以后使用的匹配。 例如："小樱(?:同学|同志)" 等价于 "小樱同学|小樱同志" |
(?=pattern) |
它是一个非捕获匹配。 例如："Harmony(?=2|3)" 匹配 "Harmony2" 中的 "Harmony"，但不匹配 "Harmony1" 中的 "Harmony" |
(?!pattern) |
该表达式匹配不处于匹配 pattern 的字符串的起始点的搜索字符串。它是一个非捕获匹配。 例如："Harmony(?=2|3)" 匹配 "Harmony1" 中的 "Harmony"，但不匹配 "Harmony2" 中的 "Harmony" |
import re
content = "你好啊，小樱同学，欢迎你加入小樱班，从现在开始你就是我的朋友啊，小樱同志，请多多关照。"
regex = "小樱(?:同学|同志)"
result = re.findall(regex,content)
print(result)
regex = "小樱(?=同学|同志)"
result = re.findall(regex,content)
print(result)
regex = "小樱(?!同学|同志)"
result = re.findall(regex,content)
print(result)
3.7、非贪婪匹配
当 ? 元字符紧随任何其它限定符 （*、+、?、{n}、{n,}、{n,m}）之后，匹配模式是 “非贪婪匹配”。非贪婪匹配搜索到、尽可能短的字符串。而默认的贪婪匹配搜索到的尽可能长的字符串。
import re
content = "abc111111abc"
# 贪婪匹配
result = re.findall(r"\d{3,5}",content)
print(result)
# 非贪婪匹配
result = re.findall(r"\d{3,5}?",content)
print(result)
