正则表达式
动机
1. 处理文本成为计算机常见工作之一
2. 对文本内容的搜索提取是一项比较复杂困难的工作
3. 为了快速方便处理上述问题，正则表达式技术诞生，主键发展为一个被众多语言使用的独立技术
定义：即高级文本匹配模式，提供了搜索，替代等功能。本质是由一系列特殊符号和字符组成的子串，这个子串即是正则表达式。这个表达式描述了字符和字符的重复行为，可以匹配一类特征的字符串。
目标：
1. 熟练使用正则表达式符号
2. 正确组合和理解一般的正则表达式
3. 能够使用Python操作正则表达式
正则表达式特点
* 方便进行检索和修改
* 支持语言众多
* 灵活多样
* mongo正则类型，django等框架作为url匹配，爬虫
正则表达式的使用
Python ----》 re模块 处理正则表达式
re.findall(pattern,string)
功能 ： 使用正则表达式匹配字符串
参数 ： pattern 正则表达式
string 目标字符串
返回值 ： 一个列表 匹配到的所有内容
元字符 （即正则表达式中有特殊含义的符号）
1. 普通字符
元字符 ： abc
匹配规则 ： 匹配相应的普通字符
In [6]: re.findall("abc","abcdefghabcdhig")
Out[6]: ['abc', 'abc']
2. 或
元字符 ： ab|cd
匹配规则 ： 匹配|两边任意一个正则表达式符合的情况
In [7]: re.findall("ab|cd","abcdefghabcdhig")
Out[7]: ['ab', 'cd', 'ab', 'cd']
* |两侧不要有没用的空格
3. 匹配单一字符
元字符 ： .
匹配规则： 匹配除了换行之外的任意字符
f.o---》 foo fao f@o
In [10]: re.findall("f.o","foo is not fao")
Out[10]: ['foo', 'fao']
4. 匹配开始位置
元字符： ^
匹配规则： 匹配一个字符串的开始位置
^Hello ---> Hello world : Hello
In [14]: re.findall("^hello","hello world")
Out[14]: ['hello']
5. 匹配结束位置
元字符： $
匹配规则：匹配目标字符串的结束位置
py$ ---> hello.py
In [16]: re.findall("py$","hello.py")
Out[16]: ['py']
6. 匹配重复
元字符 ： *
匹配规则： 匹配前面的正则表达式重复0次或多次
fo* ---》 fo foo foooooooo f
In [19]: re.findall("ab*","abbcdef")
Out[19]: ['abb']
7. 匹配重复
元字符 ： +
匹配规则： 匹配前面的正则表达式重复1次或多次
ab+ ---》 ab abbb abbbb
In [23]: re.findall(".+py$","hello.py")
Out[23]: ['hello.py']
8. 匹配重复
元字符： ？
匹配规则： 匹配前面的正则表达式重复0次或1次
ab？ --> a ab
In [24]: re.findall("ab?","abcdefa")
Out[24]: ['ab', 'a']
9. 匹配重复
元字符： ｛n｝
匹配规则 ： 匹配指定的重复次数
ab{3} ---> abbb
In [25]: re.findall("ab{3}","abbbbbbbb")
Out[25]: ['abbb']
10. 匹配重复
元字符 ： ｛m,n｝
匹配规则 ： 匹配前面的正则表达式重复 m次 到 n次
ab｛3,5｝ abbb abbbb abbbbb
In [26]: re.findall("ab{2,5}","abcdabbbabbbbbb")
Out[26]: ['abbb', 'abbbbb']
11. 匹配字符集合
元字符： []
匹配规则 : 匹配括号范围内的任意一个字符
[abc123d] a b c 1 2 3 d
[a-z]
[A-Z]
[0-9]
[123a-zA-Z]
In [31]: re.findall("[_0-9a-zA-Z]","Hello world 123")
12. 匹配字符集合
元字符： [^...]
匹配规则 ： 匹配除指定字符集之外的任意字符
In [34]: re.findall("[^abc]","nihao abc")
Out[34]: ['n', 'i', 'h', 'o', ' ']
13. 匹配任意（非）数字字符
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
[0-9] [^0-9]
In [35]: re.findall("1\d{10}","17611665537")
Out[35]: ['17611665537']
14. 匹配（非）普通字符 （普通字符： 数字字母下划线）
元字符 ： \w \W
匹配规则: \w 匹配任意一个普通字符 \W匹配任意非普通字符
[_0-9a-zA-Z] [^_0-9a-zA-Z]
In [39]: re.findall("\w+","hello$1")
Out[39]: ['hello', '1']
In [40]: re.findall("\W+","hello$1")
Out[40]: ['$']
15. 匹配（非）空字符
元字符 : \s \S
匹配规则：\s 匹配任意空字符 \S 匹配任意非空字符
[ \n\t\r]
In [45]: re.findall("\s",'hello world\r\n\t\0')
Out[45]: [' ', '\r', '\n', '\t']
16. 匹配起止位置
元字符： \A \Z
匹配规则 ： \A匹配开始位置 \Z匹配结束位置
^ $
绝对匹配 \Aabc\Z ----> abc (且字符串只是abc)
In [48]: re.findall("\A/\w+/\w+\Z",'/football/zhongchao')
Out[48]: ['/football/zhongchao']
17. 匹配(非)单词边界位置
元字符： \b \B
匹配规则 ： \b 匹配单词的边界 \B匹配非单词的边界
单词边界 ： 数字字母下划线和其他字符的交界位置为单词的边界
abc_1 haha
In [55]: re.findall(r"\Bis\b",'This is a test')
Out[55]: ['is']
元字符总结
匹配单个字符：a . \d \D \w \W \s \S [...] [^...]
匹配重复性 ： * + ？ ｛N｝ ｛m,n｝
匹配某个位置 ： ^ $ \A \Z \b \B
其他 ： | （） \
练习
匹配长度8-10位的密码 必须以数字开头，数字字母下划线组成
^[0-9]\w{7,9}$
转义字符
正则表达式特殊符号 ：
. * ? $ '' "" [] {} () \ ^
如果想匹配特殊符号则加转义
\"\.\" -----> "."
r ---> raw 原生字符串 ： 不进行转义
In [64]: re.findall(r"\bis",'This is')
Out[64]: ['is']
贪婪和非贪婪
正则表达式默认的重复匹配模式 ： 贪婪模式
尽可能多的向后匹配
* + ？ ｛m,n｝ 这四种情况下会产生贪婪模式
非贪婪模式 ： 尽可能少的匹配内容，满足正则表达式含义即可
贪婪---》非贪婪 *？ +？ ?? ｛m,n｝?
In [70]: re.findall("ab*?",'abbbbbbbbcded')
Out[70]: ['a']
In [71]: re.findall("ab+?",'abbbbbbbbcded')
Out[71]: ['ab']
正则表达式分组
使用（）可以为一个正则表达式建立一个子组，子组可以看做内部的整体
abcdef ----》 http://www.baidu.com
子组的作用
1. 增加子组后对正则表达式整体的匹配内容没有影响
2. 子组可以改变重复元字符的重复行为
3. 子组在某些操作中可以对子组匹配内容单独提取
子组的注意事项
1.每个正则表达式可以有多个子组，由外到内由左到右为第一第二。。。。子组
2.子组通常不要交叉
捕获组和非捕获组（命名组和非命名组）
子组命名格式
（?P<name>abc）
1.很多编程接口可以直接通过名字获取子组匹配内容
2.捕获组中的正则表达式可以通过名字重复调用
(?P=name)
(?P<dog>ab)cdef(?P=dog) -----> abcdefab
In [83]: re.search('(ab)+','ababababab').group()
Out[83]: 'ababababab'
In [84]: re.search('(?P<dog>ab)cdef(?P=dog)','abcdefabcde').group()
Out[84]: 'abcdefab'
匹配身份证号
\d{17}(\d|x)
re模块
obj = compile(pattern,flags = 0)
功能： 获取正则表达式对象
参数： pattern ： 正则表达式
flags： 功能标志位，提供更丰富的匹配
返回值 ： 正则表达式对象
re模块和compile对象均有的函数
obj.findall(string,pos,endpos)
功能 ： 通过正则表达式匹配字符串
参数 ： string 目标字符串
pos 目标字符串的匹配开始位置
endpos 目标字符串的结束位置
返回值 ： 匹配到的所有内容以列表返回
* 如果正则表达式有子组则只显示子组匹配内容
obj.split(string)
功能 ： 按照正则表达式切割目标字符串
参数 ： 目标字符串
返回值 ： 切割后的内容
obj.sub（replaceStr，string，max）
功能： 替换正则表达式匹配到的内容
参数： replaceStr 要替换的内容
string 目标字符串
max 最多替换几处
返回值 ： 返回替换后的字符串
subn（repl，string，count）
功能： 替换正则表达式匹配到的内容
参数： repl 要替换的内容
string 目标字符串
count 最多替换几处
返回值 ： 返回替换后的字符串和实际替换的个数
re.finditer(pattern,string)
功能 ： 使用正则表达式匹配目标内容
参数 : 目标字符串
返回值 ： 迭代对象 迭代的每个内容为一个match对象
re.match(pattern,string)
功能 ： 匹配一个字符串的开头
参数 ： 目标字符串
返回值 ： 如果匹配到返回 match obj
没有匹配到返回 None
re.search(pattern,string)
功能 ： 匹配一个字符串
参数 ： 目标字符串
返回值 ： 如果匹配到返回 match obj
没有匹配到返回 None
* match 只能匹配字符串的开头位置，search可以匹配任意位置，但是也只能匹配一处
* 通常match对象调用其属性时往往需要try异常处理
fullmatch（）
要求目标字符串完全匹配
compile 对象特有属性（re模块没有）
flags ： 标志位
pattern ： 正则表达式
groupindex ： 捕获组形成的字典
groups ： 多少个子组
match 对象属性方法
print(match_obj.pos) #目标字符串开头位置
print(match_obj.endpos) # 目标字符串结束位置
print(match_obj.re) # 正则表达式对象
print(match_obj.string) # 目标字符串
print(match_obj.lastgroup) # 最后一组的名字
print(match_obj.lastindex) # 最后一组是第几组
span() 匹配到内容的起止位置
start() 匹配到内容的开始位置
end() 匹配到内容的结束位置
group(n)
功能 ： 获取match 对象匹配的内容
参数 ： 默认为0 表示获取正则整体的匹配内容
如果传入大于0的正数则表示获取对应子组匹配内容
返回值：返回匹配到的内容
groups()
功能 ： 得到所有子组匹配的内容
groupdict()
功能 ：得到所有捕获组匹配的内容
作业 ： 读取一个文件的内容 ，将文件中所有的以大写字母开头的单词匹配出来
