【Python】正则表达式纯代码极简教程

《Python3正则表达式》文字版详细教程链接：https://www.cnblogs.com/leejack/p/9189796.html


'''
内容：Python3正则表达式
日期：2018-08-27
'''

# Python版本：Python3.6.0

# 正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的
# 语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，
# 否则，该字符串就是不合法的。


# 例如：
# 我们判断一个字符串是否是合法的Email的方法是：
# 1、创建一个匹配Email的正则表达式；
# 2、用该正则表达式去匹配用户的输入来判断是否合法。


# 因为正则表达式也是用字符串表示的，所以，我们要首先了解如何用字符来描述字符。


# 1、正则表达式概念及符号含义

# 掌握正则表达式，只需要记住不同符号所表示的含义，以及对目标对象模式（或规律）的正确概括。

# （1）基础内容

# 在正则表达式中，如果直接给出字符，就是精确匹配。
# \d匹配一个整数
# \D匹配一个非数字
# \w匹配一个字母、数字或下划线_
# \W匹配任何非单词字符,等价于“[^A-Za-z0-9_]"。
# \s匹配任何yige空白字符，包括空格、制表符、换页符等等,等价于[ \f\n\r\t\v]。
# \S匹配任何非空白字符
# \n匹配一个换行符
# \r匹配一个回车符
# \t匹配一个制表符



# .匹配除“\n"之外的任何单个字符。
# *匹配前面的子表达式零次或多次
# +匹配前面的子表达式一次或多次
# ?匹配前面的子表达式零次或一次
# {n}，n是一个非负整数，匹配确定的n次
# {n,m}，m和n均为非负整数，其中n<=m，最少匹配n次且最多匹配m次
# {n,}，n是一个非负整数，至少匹配n次
# {,m}    匹配前面的正则表达式最多m次



# x|y 匹配x或y  '[x|y]'   'x'  'y'
# [xyz] 字符集合,匹配所包含的任意一个字符
# [^xyz] 负值字符集合,匹配未包含的任意字符
# [a-zA-Z] 字符范围,匹配指定范围内的任意字符
# [^a-z] 负值字符范围,匹配任何不在指定范围内的任意字符



# 来看一个稍微复杂的例子：\d{3,4}\s+\d{3,8}
# 0755 26778888
# 我们来从左到右解读一下：
# \d{3,4}表示匹配3到4个数字，例如'010'、'0755'；
# \s可以匹配一个空格（也包括Tab等空白符），所以\s+表示至少有一个空格，例如匹配' '，'   '等；
# \d{3,8}表示3-8个数字，例如'1234567'。
# 综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。


# 如果要匹配'010-12345'、'0755-26778888'这样的号码呢？
# 由于'-'是特殊字符，在正则表达式中，要用'\'转义，所以，上面的正则是\d{3,4}\-\d{3,8}。


# 但是，仍然无法匹配'010 - 12345'，因为带有空格。所以我们需要更复杂的匹配方式。

# 要做更精确的匹配，可以用[]表示范围，比如：



# （2）进阶内容

# 要做更精确地匹配，可以用[]表示范围，比如：
#
# [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线；
#
# [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如'a100'，'0_Z'，'Py3000'等等；
#
# [a-zA-Z\_][0-9]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；
# a0 a2222222222
# [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。
#
# A|B可以匹配A或B，所以[P|p]ython可以匹配'Python'或者'python'。
#
# ^表示行的开头，^\d表示必须以数字开头。
# ^\d\w*  'sdfsdf'  '1sdfasdf1'
#
# $表示行的结束，\d$表示必须以数字结束。
#
# 你可能注意到了，py也可以匹配'python'，但是加上^py就变成了只能匹配以'py'开头的字符串，
# 所以，如果某个字符串为'I love python'，那么就无法匹配到，因为它不是以py开头。


# （3）正则表达式使用场景

# 判断某个字符串是否匹配特定的模式
# 切分字符串
# 提取特定模式的字符串
# 将指定模式的字符串进行替换



# 2、Python中正则表达式模块re

# 前面区号+电话号码的例子

#（1）判断某个字符串是否匹配特定的模式

# 导入re模块
import re

# 匹配
print('x'*20)
result = re.match(r'\d{3,4}\-\d{3,8}','020-12345')
print(result)
print('x'*20)


# 不匹配
result2 = re.match(r'\d{3,4}\-\d{3,8}$','020 12345')
print(result2)


# match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。
# 常见的判断方法就是：

# 带判断的字符串

test = "020\n12345"
print(test)
if re.match(r'\d{3,4}\\n\d{3,8}',test):
    print('match')
else:
    print('not match')



# 小练习：判断给定的邮箱地址是否是NETEC邮箱
#（1）假设NETEC公司的邮箱格式为姓+.+名字+数字+@netec.com.cn。
#（2）其中数字不是必须的，只有相同名字的员工有多个时，才会存在数字
#（3）并且姓名拼音或英文都会使用小写字母，而不会使用大写字母

email = 'lee.jack3@netec.com.cn'

pattern = r'^[a-z]{1,}\.[a-z]+\d*@netec.com.cn$'

if re.match(pattern,email):
　　print('是NETEC邮箱')
else:
　　print('不是NETEC邮箱')



# （2）切分字符串

# 用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：
print('&'*20)
result3 = 'a b   c'.split(' ')
print(result3)

# 无法识别连续的空格，用正则表达式试试:
result4 = re.split(r'\s+', 'a b   c')
print(result4)

# 无论多少个空格都可以正常分割。加入,试试：

result5 = re.split(r'[\s\,]+', 'a,b,, c  d')
print(result5)

# 再加入;试试：
result6 =  re.split(r'[\s\,\;]+', 'a,b;; c  d')
print(result6)


#（3）提取特定模式的字符串

# 除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。
# 用()表示的就是要提取的分组（Group）。比如：^(\d{3,4})-(\d{3,8})$
# 分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码：

m = re.match(r'^(\d{3,4})-(\d{3,8}$)', '0755-12345')
print(m)
print(m.group(0))  # 匹配的整个字符串
print(m.group(1))  # 匹配的第一个小括号的内容，即第一个匹配的子串
print(m.group(2))  # 匹配的第二个小括号的内容，即第二个匹配的子串


# 一个复杂的例子,提起给定时间字符串中的小时、分钟、秒
t = '19:05:30'
# 00 09
# 0 9
# 10-19
# 20-23
# [0-5]?[0-9]  59

m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
print(m.groups())
print(m.group(1))
print(m.group(2))
print(m.group(3))


#（4）将指定模式的字符串进行替换
print('&' * 20)
result = re.sub('[ae]','X','abcdefghi')
print(result)

result = re.subn('[ae]','X','abcdef')
print(result)


# （5）贪婪匹配 vs 非贪婪匹配

# 正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：
# \d+   '3243423'
print('I' * 20)
result7 = re.match(r'^(\d+)(0*)$', '102300').groups() # group[1] group[2]
print(result7)


# 由于\d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。
# 必须让\d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，
# 加个?就可以让\d+采用非贪婪匹配：

result8 = re.match(r'(\d+?)(0+?)(\d+)', '11002300000').groups()
print(result8)


# （6）正则表达式的编译

# 当我们在Python中使用正则表达式时，re模块内部会干两件事情：
#   1、编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
#   2、用编译后的正则表达式去匹配字符串。

# 如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，
# 接下来重复使用时就不需要编译这个步骤了，直接匹配：

# 编译
re_telephone = re.compile(r'^(\d{3,4})-(\d{3,8})$')

# 直接使用
print(re_telephone.match('010-12345').groups())

# 直接使用
print(re_telephone.match('010-8086').groups())

# 编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，
# 所以调用对应的方法时不用给出正则字符串。



# （7）re模块中常用的几个函数

# compile() 编译正则表达式模式，返回一个对象的模式，这样某个模式编译一次就可以在程序中多次使用

import re

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


# 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'$'

print(re.match('com','comwww.runcomoob').group())


# search() 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())



# 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。

p = re.compile(r'\d+')
print(p.findall('o1n2m3k4'))


# 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。

iter = re.finditer(r'\d+','12 drumm44ers drumming, 11 ... 10 ...')
for i in iter:
    print(i)
    print(i.group())
    print(i.span())



# 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。
print(re.split('\d+','one1two2three3four4five5'))



# 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。

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



# subn() 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，并返回替换次数

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'))




# 匹配IP
result = re.search(r"(([01]?\d?\d|2[0-4]\d|25[0-5])\.){3}([01]?\d?\d|2[0-4]\d|25[0-5]\.)","192.168.1.1")
print(result)