正则表达式--元字符的使用
一、基本简介：
1. 定义：即文本的高级匹配模式，提供搜索，替换等功能。其本质是由一系列字符和特殊符号构成的字串，这个字串即正则表达式。
2. 原理：通过普通字符和有特定含义的字符，来组成字符串，用以描述一定的字符串规则，比如：重复，位置等，来表达某类特定的字符串，进而匹配。
3. 目标
- 熟练掌握正则表达式元字符
- 能够读懂常用正则表达式，编辑简单的正则规则
- 能够熟练使用re模块操作正则表达式
二、元字符使用：
1.普通字符：
- 匹配规则：每个普通字符匹配其对应的字符
- 例子：re.findall('ab',"abcdefabcd")
- # ['ab', 'ab']
注意事项：正则表达式在python中也可以匹配中文
2.元字符：| （或关系）
- 匹配规则：匹配 | 两侧任意的正则表达式即可
- 例子：re.findall('com|cn',"www.baidu.com/www.tmooc.cn")
- #['com', 'cn']
3.元字符：. （匹配单个元字符）
- 匹配规则：匹配除换行外的任意一个字符
- 例子：re.findall('张.丰',"张三丰,张四丰,张五丰")
- # ['张三丰', '张四丰', '张五丰']
4.元字符： [字符集]
- 匹配规则: 匹配字符集中的任意一个字符
- 表达形式:
- [abc#!好] 表示 [] 中的任意一个字符
- [0-9],[a-z],[A-Z] 表示区间内的任意一个字符
- [_#?0-9a-z] 混合书写，一般区间表达写在后面
- 例子：re.findall('[aeiou]',"How are you!")
- # ['o', 'a', 'e', 'o', 'u']
5.元字符：[^字符集] （匹配反字符集）
- 匹配规则：匹配除了字符集以外的任意一个字符
- 例子：re.findall('[^0-9]',"Use 007 port")
- #['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']
6.元字符：^ \A
- 匹配规则：匹配字符串开始位置
- 例子：re.findall('^Jame',"Jame,hello")
- #['Jame']
7.元字符：$ \Z
- 匹配规则：匹配目标字符串的结尾位置
- 例子：re.findall('Jame$',"Hi,Jame")
- #['Jame']
规则技巧: ^ 和 $必然出现在正则表达式的开头和结尾处。如果两者同时出现，则中间的部分必须匹配整个目标字符串的全部内容。
8.元字符：*
- 匹配规则：匹配前面的字符出现0次或多次
- 例子：re.findall('wo*',"wooooo~~w!")
- #['wooooo', 'w']
9.元字符：+
- 匹配规则：匹配前面的字符出现1次或多次
- 例子：re.findall('[A-Z][a-z]+',"Hello World")
- #['Hello', 'World']
10.元字符：?
- 匹配规则：匹配前面的字符出现0次或1次
- 例子：匹配手机号 re.findall('-?[0-9]+',"Jame,age:18, -26")
- #['18', '-26']
11.元字符：{n}
- 匹配规则：匹配前面的字符出现n次
- 例子：re.findall('1[0-9]{10}',"Jame:13886495728")
- #['13886495728']
12.元字符：{m,n}
- 匹配规则： 匹配前面的字符出现m-n次
- 例子：匹配QQ号 re.findall('[1-9][0-9]{5,10}',"Baron:1259296994")
- #['1259296994']
13.元字符：\d \D
- 匹配规则：\d 匹配任意数字字符，\D 匹配任意非数字字符
- 例子：匹配端口 re.findall('\d{1,5}',"Mysql: 3306, http:80")
- #['3306', '80']
14.元字符：\w \W
- 匹配规则：\w 匹配普通字符，\W 匹配非普通字符
- 说明: 普通字符指数字，字母，下划线，汉字。
- 例子： re.findall('\w+',"server_port = 8888")
- #['server_port', '8888']
15.元字符：\s \S
- 匹配规则：\s 匹配空字符，\S 匹配非空字符
- 说明:空字符指 空格 \r \n \t \v \f 字符
- 例子： re.findall('\w+\s+\w+',"hello world")
- #['hello world']
16.元字符：\s \S
- 匹配规则：\s 匹配空字符，\S 匹配非空字符
- 说明:空字符指 空格 \r \n \t \v \f 字符
- 例子： re.findall('\w+\s+\w+',"hello world")
- #['hello world']
17.元字符：\b \B
- 匹配规则：\b 表示单词边界，\B 表示非单词边界
- 说明:单词边界指数字字母(汉字)下划线与其他字符的交界位置。
- 例子：re.findall(r'\bis\b',"This is a test.")
- #['is']
三、普通字符集的替换
| 正则 | 扩充表达式 | 匹配 |
| \d |
[0-9] |
数字字符 |
| \D |
[^0-9] |
非数字字符 |
| \w |
[a-zA-Z0-9] |
数字字母下划线 |
| \W |
[^\w] |
相反 |
| \s |
[_\r\t\n\f] |
表格,换行等空白区域 |
| \S |
[^\s] |
非空白区域 |
四、计数符
|
正则 |
匹配 |
|
* + ? {n} {n,m} {n,} |
零或多 一或多 零或一 出现n次 n到m次 至少n次 |
五、正则表达式的转义
1. 如果使用正则表达式匹配特殊字符则需要加 \ 表示转义。
- 特殊字符: . * + ? ^ $ [] () {} | \
- 匹配特殊字符 . 时使用 \. 表示本身含义
- 例子1：re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")
- #['123', '-123', '1.23', '-1.23']
- 例子2：s="1992年5月2日出生于中国，中国内地影视女演员-12,12.34,1/0,40%,-1.6"
- r=re.findall('-?\d+\.?/?\d*%?',s)
- #['1992', '5', '2', '-12', '12.34', '1/0', '40%', '-1.6']
2. 在编程语言中，常使用原生字符串书写正则表达式避免多重转义的麻烦。
- python字符串 --> 正则 --> 目标字符串
- "\\$\\d+" 解析为 \$\d+ 匹配 "$100"
- "\\$\\d+" 等同于 r"\$\d+"
六、贪婪模式和非贪婪模式
贪婪模式: 默认情况下，匹配重复的元字符总是尽可能多的向后匹配内容。比如: * + ? {m,n}
非贪婪模式(懒惰模式): 让匹配重复的元字符尽可能少的向后匹配内容。
贪婪模式转换为非贪婪模式
在匹配重复元字符后加 '?' 号即可
* : *? #1
+ : +? #1
? : ?? #0
{m,n} : {m,n}? #n
- 例子: re.findall(r'\(.+?\)',"(abcd)efgh(higk)")
- # ['(abcd)', '(higk)']
七、正则表达式分组
1.定义：
在正则表达式中，以（）建立正则表达式的内部分组，子组是正则表达式的一部分，可以作为内部整体操作对象。
2.作用：
(1)可以别作为整体操作，改变元字符的操作对象。
#(1)改变 +号 重复的对象 re.search(r'(ab)+',"ababababab").group() #'ababababab' #(2)改变 |号 操作对象 re.search(r'(王|李)\w{1,3}',"王者荣耀").group() #'王者荣耀'
(2)可以通过编程语言某些借口获取陪陪内容中子组对应的内容部分
#获取url协议类型 re.search(r'(https|http|ftp|file)://\S+',"https://www.baidu.com").group(1)
3.捕获组:
可以给正则表达式的子组起一个名字，表达该子组的意义。这种有名称的子组即为捕获组
格式:"(?P<name>pattern)"
#给子组命名为 "pig" re.search(r'(?P<pig>ab)+',"ababababab").group('pig') #'ab'
4.注意事项:
- 一个正则表达式中可以包含多个子组
- 子组可以嵌套，但是不要重叠或者嵌套结构复杂
- 子组序列号一般从外到内，从左到右计数
八、正则表达式原则
1.正确性，能够正确的匹配出目标字符串。
2.排他性，除了目标字符串意外尽可能少的匹配其他内容。
3.全面性，尽可能考虑到目标字符串的所有情况，不遗漏。
