15-正则表达式

正则表达式三个方法

• Regular Expression

  • 匹配有规则的字符串

• import re

• re.match()

  • 匹配字符串是否以指定正则表达式开头
    • res = re.match('\d+', '123456') # object,返回对象或者None

• re.search()

  • 匹配字符串是否包含表达式

    • res2 = re.search('oog', 'google') # object，返回对象或者None

      • # re.I忽略大小写
        res2 = re.search('GOO', 'google', re.I)  # object
        

• re.findall()

  • 获取所有匹配的子字符串，返回的是列表
    • res3 = re.findall('goo', 'google google google') # ['goo', 'goo', 'goo']，如果匹配不到则返回空列表

匹配单个字符

• .
  • . 表示匹配任意单个字符，除了换行\n
  • 注意r''只能消除字符串中的语义，不影响正则的语义，因此要匹配点(.)，需要在点前加\
  • print(re.search('go.gle', 'go\ngle', re.S)) # 对象
    • re.S可以让 . 匹配\n
• []
  • 表示匹配单个字符的范围
  • [abc]:匹配a或b或c
  • [a-zA-Z0-9_]:匹配数字字母下划线
  • print(re.search('go[a-zA-Z0-9_]gle', 'go_gle')) # 对象
• \d
  • 表示数字，等价于[0-9]
  • \D :表示非数字，等价于[^0-9]
  • print(re.search('go\dgle', 'go8gle')) # 对象
• \w
  • 表示数字字母下划线，等价于[a-zA-Z0-9_]
  • \W表示非数字字母下划线，等价于[^a-zA-Z0-9_]
  • print(re.search('go\wgle', 'go8gle')) # 对象
• \s
  • 表示空格 或换行\n 或 制表符\t 或 换页符\f 回车符\r
  • \S表示非（空格 或换行\n 或 制表符\t 或 换页符\f 回车符\r）
  • print(re.search('go\Sgle', 'go gle')) # None

表示数量的符号

• ?
  • 表示前面的字符可以出现0次或1次
    • print(re.findall('go?gle', 'google')) # [] # 非贪婪(最多匹配一个)
• +
  • 表示前面的字符可以出现1次或多次
  • print(re.findall('go+gle', 'gooogle')) # ['gooogle'] # 贪婪(尽量多个匹配)
• *
  • *表示前面的字符可以出现0次或多次
    • print(re.findall('g.*gle', 'g123abc,.;gle')) # ['g123abc,.;gle']
• {}
  • 表示前面字符出现的次数范围
  • {3} ：表示前面字符出现3次
  • {2, 5} ：表示从2次~5次之间
  • • print(re.findall('go{2,5}gle', 'gooogle')) # ['gooogle'],2和5之间不能加空格 # 贪婪

边界符号（锚字符）

• ^
  • ^ ：开头匹配
• $
  • $ :结尾匹配
• ^$
  • ^$ ：完全匹配：除了正则中的字符串以外，不可以有其他多余的字符
• 其他边界字符串
  • \A\Z
    • 与^$作用基本一致
    • 区别
      • print(re.findall('^#', '#google\n#baidu\n#360', re.M)) # ['#', '#', '#']
      • print(re.findall('\A#', '#google\n#baidu\n#360', re.M)) # ['#']
      • re.M
        • re.M: 换行模式
• \b
  • 以单词结尾
  • \B以非单词结尾
• chinesePattern = "[\u4e00-\u9fa5]+"

分组和捕获

• 分组

  • ()

    • () :表示整体，还可以表示分组

      • s = '0755-88888888'
        pattern = '(\d{4})-(\d{8})'
        # pattern = '\d{4}-\d{8}'
        res = re.search(pattern, s)
        

    • print(res.group()) # '0755-88888888'

    • print(res.group(0)) # '0755-88888888'

    • print(res.group(1)) # '0755', 第一个分组（第一个括号的内容）

    • print(res.group(2)) # '88888888', 第二个分组（第二个括号的内容）

    • print(res.groups()) # ('0755', '88888888'),获取所有分组

• 捕获

  • 用findall(),返回列表

    • pattern = r'(\d+)万到(\d+)万卢比'
      res = re.findall(pattern, s)  # 捕获()里面的
      print(res)  # [('15', '40')]
      

    • 别名

      • ?P<别名>

        • pattern = r'(?P<start>\d+)万到(?P<end>\d+)万卢比'
          res = re.search(pattern, s)
          print(res.group('end'))  # 40
          print(res.group('start'))  # 15
          

• 编译正则

  • 编译正则：创建一个正则表达式对象，效率更高

    • # re.compile()
      
      pattern = re.compile(r'(\d+)万到(\d+)万卢比')
      res = pattern.findall(s)
      print(res)  # [('15', '40')]
      

• 非捕获性分组

  • ?:

    • pattern = r'(\d+)万到(?:\d+)万卢比'
      res = re.findall(pattern, s)
      print(res)  # ['15']
      

其他正则函数

• re.finditer

  • 匹配后的结果=>迭代器

    • res = re.finditer(r'\d+', '123abc456def678')
      print(res)  # 迭代器，<callable_iterator object at 0x0000026B6059F7C8>
      for i in res:
          # print(i)
          print(i.group(), i.span())
      '''
      123 (0, 3)
      456 (6, 9)
      678 (12, 15)
      '''
      

• re.split

  • 分割/拆分

    • s = 'hello world'
      print(re.split(r'l|\s', s))  # ['he', '', 'o', 'wor', 'd']
      print(re.split(r'l|o', s))  # ['he', '', '', ' w', 'r', 'd']
      

    • |表示或者

• re.sub

  • 替换

    • s = 'today is a good day today is a nice day'
      print(re.sub(r'\s', '-', s))  # today-is-a-good-day-today-is-a-nice-day
      print(re.subn(r'\s', '-', s))  # ('today-is-a-good-day-today-is-a-nice-day', 9)
      

补充

• 空白行
  • \n\s*\r
• 前后空白字符串
  • ^\s*|\s*$
• 零宽断言
  • ?=exp
    • 断言当前位置后面能匹配exp
  • ?<=exp
    • 断言当前位置前面能匹配exp
  • ?!exp
    • 断言当前位置后面不能匹配exp
  • ?<!exp
    • 断言当前位置前面不能匹配exp