python基础（十二）：正则、re模块、贪婪和非贪婪

         正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。

元字符：在正则表达式中被赋予特殊意义的符号。

. 通配符

匹配除了\n外所有的字符。

import re
str1='asdbcnv'
str2=re.findall('.',str1)
print(str2)


>>>['a', 's', 'd', 'b', 'c', 'n', 'v']

^匹配字符串开始位置

搜索位置定在字符串开始位置

import re
str1='asdbcnv'
str2=re.findall('^a',str1)
print(str2)


>>>['a']

$匹配字符串结束位置

$要写在正则匹配的最后面

import re
str1='asdbcnv'
str2=re.findall('v$',str1)
print(str2)


>>>['v']

*匹配前面的正则0到无穷次

当匹配单个字符的时候，会因为匹配0次而出现空字符。

import re
str1='iii amiiii ssdii i '
str2=re.findall('i*',str1)
print(str2)


>>>['iii', '', '', '', 'iiii', '', '', '', '', 'ii', '', 'i', '', '']

匹配多次的情况

import re
str1='iii amiiii ssdii i '
str2=re.findall('ii*',str1)
print(str2)


>>>['iii', 'iiii', 'ii', 'i']

+匹配前面的正则1到无穷次

匹配单个字符

import re
str1='iii amiiii ssdii i '
str2=re.findall('i+',str1)
print(str2)


>>>['iii', 'iiii', 'ii', 'i']

匹配多个字符

import re
str1='iii amiiii ssdii i '
str2=re.findall('ii+',str1)
print(str2)


>>>['iii', 'iiii', 'ii']

?匹配前面正则0到1次

单个字符

import re
str1='iii amiiii ssdii i '
str2=re.findall('i?',str1)
print(str2)


>>>['i', 'i', 'i', '', '', '', 'i', 'i', 'i', 'i', '', '', '', '', 'i', 'i', '', 'i', '', '']

多个字符

import re
str1='iii amiiii ssdii i '
str2=re.findall('ii?',str1)
print(str2)


>>>['ii', 'i', 'ii', 'ii', 'ii', 'i']

{}匹配次数

匹配的次数N和M必须为正整数

{N，}匹配前面正则N到无穷次

import re
str1='iii amiiii ssdii iihjf iiifgfdgi '
str2=re.findall('ii{2,}',str1)
print(str2)


>>>['iii', 'iiii', 'iii']

{，M}匹配前面的正则0到M次

import re
str1='iii amiiii ssdii iihjf iiifgfdgi '
str2=re.findall('ii{,2}',str1)
print(str2)


>>>['iii', 'iii', 'i', 'ii', 'ii', 'iii', 'i']

{N,M}匹配前面的正则N到M次

import re
str1='iii amiiii ssdii iihjf iiifgfdgi '
str2=re.findall('ii{1,2}',str1)
print(str2)


>>>['iii', 'iii', 'ii', 'ii', 'iii']

\正则转义符

在使用时需在字符串外加上  r 来取消转义

\d 数字

import re
str1='iii amiiii 123er45vg44 '
str2=re.findall(r'\d',str1)
print(str2)


>>>['1', '2', '3', '4', '5', '4', '4']

\w  字母、数字、汉字和下划线

import re
str1='iii am_你好iiii 123er45vg44 '
str2=re.findall(r'\w',str1)
print(str2)


>>>['i', 'i', 'i', 'a', 'm', '_', '你', '好', 'i', 'i', 'i', 'i', '1', '2', '3', 'e', 'r', '4', '5', 'v', 'g', '4', '4']

\s  匹配空白符号(\n,\t和空格)

import re
str1='iii am_你好iiii 123\ner\t45vg44 '
str2=re.findall(r'\s',str1)
print(str2)


>>>[' ', ' ', '\n', '\t', ' ']

\b  单词边界

字符的位置是非常重要的。如果它位于要匹配的字符串的开始，它在单词的开始处查找匹配项。如果它位于字符串的结尾，它在单词的结尾处查找匹配项。

import re
str1='i love python '
str2=re.findall(r'\bon',str1)
str3=re.findall(r'on\b',str1)
print(str2)
print(str3)

>>>[]
['on']

\D  匹配数字以外的字符

import re
str1='i love python12456'
str2=re.findall(r'\D',str1)
print(str2)


>>>['i', ' ', 'l', 'o', 'v', 'e', ' ', 'p', 'y', 't', 'h', 'o', 'n']

\S  匹配除了空白字符之外的

import re
str1='i love python12456\n\t'
str2=re.findall(r'\S',str1)
print(str2)


>>>['i', 'l', 'o', 'v', 'e', 'p', 'y', 't', 'h', 'o', 'n', '1', '2', '4', '5', '6']

\W  非\w匹配的字符

import re
str1='i love ￥%*python12456\n\t'
str2=re.findall(r'\W',str1)
print(str2)


>>>[' ', ' ', '￥', '%', '*', '\n', '\t']

\B  匹配非单词边界

对于 \B 非字边界运算符，位置并不重要，因为匹配不关心究竟是单词的开头还是结尾。

import re
str1='i love python12456'
str2=re.findall(r'ov\B',str1)
print(str2)


>>>['ov']

[]字符集，匹配中括号中间的所有字符

. % * + ? () {}  出现在中括号中仅表示字符本身。^字符在中括号中表示取反。

import re
str1='i love python12456'
str2=re.findall(r'[a-z]',str1)
print(str2)


>>>['i', 'l', 'o', 'v', 'e', 'p', 'y', 't', 'h', 'o', 'n']

import re
str1='i love python12456'
str2=re.findall(r'[^\d]',str1)
print(str2)


>>>['i', ' ', 'l', 'o', 'v', 'e', ' ', 'p', 'y', 't', 'h', 'o', 'n']

|  或

指明两项之间的一个选择。要匹配 |，请使用 \|。

import re
str1='i love python12456\n\n'
str2=re.findall(r'[\d|\s]',str1)
print(str2)


>>>[' ', ' ', '1', '2', '4', '5', '6', '\n', '\n']

()分组匹配

标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。只会匹配括号中的内容。

import re
str1='i love python12456\n\n'
str2=re.findall(r'n(\d)',str1)
print(str2)


>>>['1']

贪婪和非贪婪

       正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪则相反，总是尝试匹配尽可能少的字符。在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。

贪婪模式下字符串查找会直接走到字符串结尾去匹配，如果不相等就向前寻找，这一过程称为回溯。

 

 

import re
str1='<table><td><th>贪婪</th><th>贪婪</th><th>贪婪</th></td></table>贪婪'
str2=re.findall(r'<.*>',str1)
print(str2)

>>>['<table><td><th>贪婪</th><th>贪婪</th><th>贪婪</th></td></table>']

非贪婪模式下会自左向右查找，一个一个匹配不会出现回溯的情况。

import re
str1='<table><td><th>贪婪</th><th>贪婪</th><th>贪婪</th></td></table>贪婪'
str2=re.findall(r'<.*?>',str1)
print(str2)

>>>['<table>', '<td>', '<th>', '</th>', '<th>', '</th>', '<th>', '</th>', '</td>', '</table>']

re模块

1、compile()

编译正则表达式模式，返回一个对象的模式。（可以把那些常用的正则表达式编译成正则表达式对象，这样可以提高一点效率。）

格式：

re.compile(pattern,flags=0)

pattern: 编译时用的表达式字符串。

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。常用的flags有：

标志	含义
re.S(DOTALL)	使.匹配包括换行在内的所有字符
re.I（IGNORECASE）	使匹配对大小写不敏感
re.L（LOCALE）	做本地化识别（locale-aware)匹配，法语等
re.M(MULTILINE)	多行匹配，影响^和$
re.X(VERBOSE)	该标志通过给予更灵活的格式以便将正则表达式写得更易于理解
re.U	根据Unicode字符集解析字符，这个标志影响\w,\W,\b,\B

 

import re
tt = "Tina is a good girl, she is cool, clever, and so on..."
rr = re.compile(r'\w*oo\w*')
print(rr.findall(tt))   #查找所有包含'oo'的单词
执行结果如下：
['good', 'cool']

2、match()

决定RE是否在字符串刚开始的位置匹配。//注：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'

格式：

re.match(pattern, string, flags=0)

print(re.match('com','comwww.runcomoob').group())
print(re.match('com','Comwww.runcomoob',re.I).group())
执行结果如下：
com
com

3、search()

 格式：

re.search(pattern, string, flags=0)

re.search函数会在字符串内查找模式匹配,只要找到第一个匹配然后返回，如果字符串没有匹配，则返回None。

print(re.search('\dcom','www.4comrunoob.5com').group())
执行结果如下：
4com

*注：match和search一旦匹配成功，就是一个match object对象，而match object对象有以下方法：

• 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。

a. group（）返回re整体匹配的字符串，
b. 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
c.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 到所含的小组号，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"
 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0))   #123abc456,返回整体
 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1))   #123
 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2))   #abc
 print(re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3))   #456
###group(1) 列出第一个括号匹配部分，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。###

4、findall()

re.findall遍历匹配，可以获取字符串中所有匹配的字符串，返回一个列表。

 格式：

re.findall(pattern, string, flags=0)

p = re.compile(r'\d+')
print(p.findall('o1n2m3k4'))
执行结果如下：
['1', '2', '3', '4']

import re
tt = "Tina is a good girl, she is cool, clever, and so on..."
rr = re.compile(r'\w*oo\w*')
print(rr.findall(tt))
print(re.findall(r'(\w)*oo(\w)',tt))#()表示子表达式 
执行结果如下：
['good', 'cool']
[('g', 'd'), ('c', 'l')]

5、finditer()

 搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。找到 RE 匹配的所有子串，并把它们作为一个迭代器返回。

格式：

re.finditer(pattern, string, flags=0)

iter = re.finditer(r'\d+','12 drumm44ers drumming, 11 ... 10 ...')
for i in iter:
    print(i)
    print(i.group())
    print(i.span())
执行结果如下：
<_sre.SRE_Match object; span=(0, 2), match='12'>
12
(0, 2)
<_sre.SRE_Match object; span=(8, 10), match='44'>
44
(8, 10)
<_sre.SRE_Match object; span=(24, 26), match='11'>
11
(24, 26)
<_sre.SRE_Match object; span=(31, 33), match='10'>
10
(31, 33)

6、split()

按照能够匹配的子串将string分割后返回列表。

可以使用re.split来分割字符串，如：re.split(r'\s+', text)；将字符串按空格分割成一个单词列表。

格式：

re.split(pattern, string[, maxsplit])

maxsplit用于指定最大分割次数，不指定将全部分割。

print(re.split('\d+','one1two2three3four4five5'))
执行结果如下：
['one', 'two', 'three', 'four', 'five', '']

7、sub()

使用re替换string中每一个匹配的子串后返回替换后的字符串。

格式：

re.sub(pattern, repl, string, count)

import re
text = "JGood is a handsome boy, he is cool, clever, and so on..."
print(re.sub(r'\s+', '-', text))
执行结果如下：
JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on...

其中第二个函数是替换后的字符串；本例中为'-'

第四个参数指替换个数。默认为0，表示每个匹配项都替换。

re.sub还允许使用函数对匹配项的替换进行复杂的处理。

如：re.sub(r'\s', lambda m: '[' + m.group(0) + ']', text, 0)；将字符串中的空格' '替换为'[ ]'。

import re
text = "JGood is a handsome boy, he is cool, clever, and so on..."
print(re.sub(r'\s+', lambda m:'['+m.group(0)+']', text,0))
执行结果如下：
JGood[ ]is[ ]a[ ]handsome[ ]boy,[ ]he[ ]is[ ]cool,[ ]clever,[ ]and[ ]so[ ]on...

8、subn()

 返回替换次数

格式：

subn(pattern, repl, string, count=0, flags=0)

print(re.subn('[1-2]','A','123456abcdef'))
print(re.sub("g.t","have",'I get A,  I got B ,I gut C'))
print(re.subn("g.t","have",'I get A,  I got B ,I gut C'))
执行结果如下：
('AA3456abcdef', 2)
I have A,  I have B ,I have C
('I have A,  I have B ,I have C', 3)