python库学习笔记——re库：正则表达式入门（一）

什么是正则表达式？

我们在处理文本文件的时候，会按照某种规则查找某些特定的字符串。比方我们希望从一堆电子档案中找到人员的电话号码整理成通讯录。于是，我们可以利用特定字符串的规律编程获得我们想要的信息。而正则表达式就是干这个事情的，它是记录文本规则的代码。

一、获得简单字符串

1. 如何我们 希望找到"hi"字符，how？

例如：Hi, I am Shirley Hilton. I am his wife.  希望寻找“hi”的字符。

用如下代码：

import re
text = "Hi, I am Shirley Hilton. I am his wife."
m = re.findall(r"hi", text)
if m:
    print (m)
else:
    print ('not match')

['hi', 'hi']

代码的简单说明：

（1）字符串前面加了r，是raw的意思，它表示对字符串不进行转义。

（2）re是python里的正则表达式模块。findall是其中一个方法，用来按照提供的正则表达式，去匹配文本中的所有符合条件的字符串。返回结果是一个包含所有匹配的list。

2. 如果我们希望找到"hi"这个单词，过滤掉包含它的单词，how？

可以使用"\bhi\b"。“\b”在正则表达式中表示单词的开头或结尾，空格、标点、换行都算是单词的分割。而“\b”自身又不会匹配任何字符，它代表的只是一个位置。所以单词前后的空格标点之类不会出现在结果里。

3. 如果我们希望找到"hi"和"Hi"，how？

可以使用[]。在正则表达式中，[]表示满足括号中任一字符。比如“[hi]”，它就不是匹配“hi”了，而是匹配“h”或者“i”。在前面例子中，如果把正则表达式改为“[Hh]i”，就可以既匹配“Hi”，又匹配“hi”了。

4. 如果我们希望得到"i"加上任意一个字符，how？

（1）可以使用"."。“.”在正则表达式中表示除换行符（"\n"）以外的任意字符。例如我们用“i.”去匹配，就会得到：

['i,', 'ir', 'il', 'is', 'if']

（2）可以使用“\S”，它表示不是空白符的任意字符。注意是大写字符S。

5. 如果我们希望得到"I"开头，"e"结尾的字符串，how？

可以使用“*”,“*”表示任意数量连续字符，这种被称为通配符。但在正则表达式中，任意字符是用“.”表示，而“*”则不是表示字符，而是表示数量：它表示前面的字符可以重复任意多次（包括0次），只要满足这样的条件，都会被表达式匹配上。

用“I.*e”去匹配,得到:

['I am Shirley Hilton. I am his wife'],贪婪匹配

用“I.*?e”去匹配，得到：

['I am Shirle', 'I am his wife']，懒惰匹配

二、获取数字常用元字符

[01234]：任意一个数字
[0-4]：任意一个数字

\d：表示数字

[0-4]* or \d*：任意长度的数字（包括0，也就是没有数字的空字符也会被匹配出来）

[0-4]+ or \d+：》1长度的任意数字

\d{11}：最大长度为11

1\d{10}：第一位限定为1，剩余长度最大为10

三、其他常用的元字符

1.

w - 匹配字母或数字或下划线或汉字（我试验下了，发现3.x版本可以匹配汉字，但2.x版本不可以）

\s - 匹配任意的空白符

^ - 匹配字符串的开始

$ - 匹配字符串的结束

2.

\S其实就是\s的反义，任意不是空白符的字符。同理，还有：

\W - 匹配任意不是字母，数字，下划线，汉字的字符

\D - 匹配任意非数字的字符

\B - 匹配不是单词开头或结束的位置

[a]的反义是[^a]，表示除a以外的任意字符。[^abcd]就是除abcd以外的任意字符。

3.

之前我们用过*、+、{}来表示字符的重复。其他重复的方式还有：

? - 重复零次或一次

{n,} - 重复n次或更多次

{n,m} - 重复n到m次

正则表达式不只是用来从一大段文字中抓取信息，很多时候也被用来判断输入的文本是否符合规范，或进行分类。来点例子看看：

^\w{4,12}$

这个表示一段4到12位的字符，包括字母或数字或下划线或汉字，可以用来作为用户注册时检测用户名的规则。（但汉字在python2.x里面可能会有问题）

\d{15,18}

表示15到18位的数字，可以用来检测身份证号码

^1\d*x?

以1开头的一串数字，数字结尾有字母x，也可以没有。有的话就带上x。

另外再说一下之前提到的转义字符\。如果我们确实要匹配.或者*字符本身，而不是要它们所代表的元字符，那就需要用\.或\*。\本身也需要用\\。

比如"\d+\.\d+"可以匹配出123.456这样的结果。

举例：尝试写一个可以匹配以下电话号码的表达式

(021)88776543

010-55667890

02584453362

0571 66345673

表达式：\(?0\d{2,3}[) -]?\d{7,8}