正则表达式、re模块

一、正则表达式（用来做字符串匹配）

字符组 ： [字符组]
在同一个位置可能出现的各种字符组成了一个字符组，在正则表达式中用[]表示
字符分为很多类，比如数字、字母、标点等等。
假如你现在要求一个位置"只能出现一个数字",那么这个位置上的字符只能是0、1、2...9这10个数之一。

字符组

字符

量词

?     # 重复匹配 0次 或 1次
*     # 重复匹配 0次 或 更多次
+     # 重复匹配 1次 或 更多次

{n}   # 重复匹配 n次
{n,}  # 重复匹配 n次 或 更多次
{n,m} # 重复匹配 n次 到 m次

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

几个常用的非贪婪匹配

??    # 重复匹配 0次 或 1次，但尽可能少重复
*?    # 重复匹配 任意次，但尽可能少重复
+?    # 重复匹配 1次 或 更多次，但尽可能少重复

{n,}  # 重复匹配 n次以上，但尽可能少重复
{n,m} # 重复匹配 n次 到 m次，但尽可能少重复

.*? 的用法

.   # 任意字符
*   # 取 0 至 无限长度
?   # 非贪婪模式

合在一起就是：取尽量少的任意字符；
但一般不会这么单独写，它大多用法为.*?x
表示取前面任意长度的字符，直到一个x出现

二、re模块下的常用方法

findall()：返回所有满足匹配条件的结果，放在列表里

ret = re.findall("[a-z]+", "a b c")
print(ret)  # ['a', 'b', 'c']

search()：从前往后找，匹配到一个就返回，返回的变量需要调用group()才能拿到结果；如果没匹配到，那么返回None，调用group会报错。

ret = re.search("b", "a b c")
if ret:
    print(ret.group())  # b

match()：从字符串开头开始匹配，如果正则规则从头开始可以匹配上，就返回一个变量；匹配的内容需要用group()才能拿到结果；如果没匹配到，就返回None，调用group会报错。

ret = re.match("a", "a b c")
if ret:
    print(ret.group())  # a

split()

ret = re.split("[ab]", "abcd")  # 先按a分割得到""和"bcd",再对""和"bcd"分别按b分割
print(ret)  # ['', '', 'cd']

sub()

ret = re.sub("\d", "x", "ab12", 1)  # 将数字替换成 x ,参数1表示只替换1个
print(ret)  # abx2

subn()

ret = re.subn("\d", "x", "ab12", 1)  # 将数字替换成 x ,返回一个元组(替换的结果,替换了多少次)
print(ret)  # ('abx2', 1)

complie()：当正则规则较长且经常被使用的时候，使用complie()

obj = re.compile("\d{2}")  # 将正则表达式编译成为一个"正则表达式对象", 匹配的是2个数字
ret = obj.search("a1b23")  # 正则表达式对象调用search,参数为待匹配的字符串
print(ret.group())  # 23

finditer()：返回一个存放匹配结果的迭代器

ret = re.finditer("\d", "a1b23c456")  #finditer返回一个存放匹配结果的迭代器
print(next(ret).group())  # 1 查看第一个结果
print(next(ret).group())  # 2 查看第二个结果

# 查看剩余的左右结果
print([i.group() for i in ret])  
#或者用for循环取值:
for i in ret:
    print(i.group())

注意：

findall()的优先级查询

ret = re.findall("www.(baidu|cnblogs).com", "www.cnblogs.com")
print(ret)  # ["cnblogs"] 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|cnblogs).com", "www.cnblogs.com")
print(ret)  # ["www.cnblogs.com"]

split()的优先级查询

ret=re.split("\d+", "ab1cd2ef")
print(ret)  # ['ab', 'cd', 'ef']

ret = re.split("(\d+)", "ab1cd2ef")
print(ret)  # ['ab', '1', 'cd', '2', 'ef']
"""
在匹配部分加上 () 之后所切出的结果是不同的，
没有 () 的，则没有保留所匹配的项，但是有 () 的却能够保留了匹配的项，
这个在某些需要保留匹配部分的使用过程是非常重要的。
"""

匹配标签

ret = re.search("<(?P<tag_name>\w+)>\w+</(?P=tag_name)>", "<h1>HelloWorld</h1>")
# 在分组中利用 ?P<xx> 的形式给分组起名字，xx代表要定义的名字
# 获取的匹配结果可以直接用group("xx")拿到对应的值
print(ret.group("tag_name"))  # h1
print(ret.group())            # <h1>HelloWorld</h1>