Python--re模块

正则表达式

正则表达式：一种字符串匹配的规则

字符组

字符组 ： [字符组]
在同一个位置可能出现的各种字符组成了一个字符组，在正则表达式中用[]表示
字符分为很多类，比如数字、字母、标点等等。
假如你现在要求一个位置"只能出现一个数字",那么这个位置上的字符只能是0、1、2...9这10个数之一。

正则	待匹配字符	匹配结果	说明
[0123456789]	6	True	在一个字符组里枚举合法的所有字符，字符组的任意一个字符和"待匹配字符"相同都视为可匹配
[0123456789]	a	False	由于字符组中没有“a”，所以不能匹配
[0-9]	7	True	匹配0-9中的任意数字；等于[0123456789]
[a-z]	s	True	匹配a-z中任意小写字母。
[A-Z]	B	True	匹配A-Z中任意大写字母。
[0-9a-zA-Z]	e	True	匹配任意数字、大小写字母。

字符

元字符	匹配内容
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线
\s	匹配任意的空白符：空格、tab、换行;等于[\f\n\r\t]
\d	匹配数字;等于[0-9]
\W	匹配非字母或数字或下划线，也就是说除了字母、数字、下划线以外的
\S	匹配非任意的空白符，也就是说除了空格、tab、换行以外的;等于[^ \f\n\r\t]
\D	匹配非数字，也就是说除了数字以外的
\t	匹配一个制表符，tab
\n	匹配一个换行符
^	匹配字符串以什么开头的
$	匹配字符串以什么结尾的
a|b	匹配字符a或者字符b，| 或者的关系
()	匹配括号内的表达式，也表示一个组
[...]	匹配字符组中的字符
[^...]	匹配非字符组中的所有字符
\b	匹配一个单词的边界

注意这三种的结果都表示匹配所有：[\d\D]、[\s\S]、[\w\W]

量词

量词	用法说明
*	重复零次或者多次。例如，zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。
+	重复一次或者多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。
?	重复零次或者一次。例如，"do(es)?" 可以匹配 "do" 、 "does" 中的 "does" 、 "doxy" 中的 "do" 。? 等价于 {0,1}。
{n}	重复n次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的两个 o。
{n,}	重复n次或多次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m}	重复n次到m次。例如，"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。

贪婪匹配

贪婪匹配：在满足匹配时，匹配尽可能长的字符串，默认情况下，采用贪婪匹配

正则	待匹配字符	匹配结果	说明
<.*>	<abcdefg>2<hijklmn>	<abcdefg>2<hijklmn>	默认为贪婪模式，会匹配尽量长的字符串
<.*?>	<abcdefg>2<hijklmn>	<abcdefg>	加上? 为了将贪婪匹配模式转为非贪婪匹配模式，会匹配尽量短的字符串

几个常用的非贪婪匹配Pattern

*? 重复任意次，但尽可能少重复
+? 重复1次或更多次，但尽可能少重复
?? 重复0次或1次，但尽可能少重复
{n,m}? 重复n到m次，但尽可能少重复
{n,}? 重复n次以上，但尽可能少重复 

. *?的用法

. 是任意字符
* 是取 0 至 无限长度
? 是非贪婪模式。
何在一起就是 取尽量少的任意字符，一般不会这么单独写，他大多用在：
.*?x

就是取前面任意长度的字符，直到一个x出现

re模块

在python中用来提供正则表达式匹配的模块就是re模块

在re模块中的匹配语法有以下几种

• re.match：从头开始匹配，匹配成功返回正则匹配成功的对象，匹配失败返回None
• re.search：匹配包含的所有，匹配成功返回正则匹配成功的对象，匹配失败返回None
• re.findall：将所有匹配到的字符以一个列表的形式返回，匹配失败返回一个空列表
• re.finditer：和findall类似，将匹配到的所有字符作为一个迭代器返回
• re.split：按照能够匹配的子串将字符串分割后返回列表
• re.sub：匹配字符并替换
• re.compile：编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。

re.findall函数 *****

• 格式：re.findall(pattern, string, flags=0)
• 参数：

  pattern：匹配的正则表达式
  string：要匹配的字符串
  flags：标志位，用于控制正则表达式的匹配方式，可有可无
  标志位常见取值如下：

  re.I    忽略大小写
  re.L    作本地户识别
  re.M    多行匹配，影响^和$
  re.S    使.匹配包括换行符在内的所有字符
  re.U    根据Unicode字符集解析字符，影响\w   \W  \b  \B
  re.X    使我们以更灵活的格式理解正则表达式

• 示例：

  ret = re.findall(r'\d+', 'Today454 is1 a 00 day3')   # 匹配一位到多位的数字
  print(ret)
  # 结果>>> ['45', '1', '00', '3']
  ret = re.findall(r'[a-z]{3}', 'Today is a Good day, Day')   # 匹配任意连续三个小写字母
  print(ret)
  # 结果>>> ['oda', 'ood', 'day']
  ret = re.findall(r'[a-z]{3}', 'Today is a Good day, Day', flags=re.I)   # 匹配任意连续三个字母，不区分大小写；flags=re.I表示不区分大小写
  print(ret)
  # 结果>>> ['Tod', 'Goo', 'day', 'Day'] 

• findall的优先级查询：

  import re
  
  ret = re.findall('www.(baidu|souhu).com', 'www.baidu.com')
  print(ret)
  # 结果>>> ['baidu']   这是因为findall会优先把匹配到的结果,组里的内容返回；如果想要匹配结果,取消权限即可
  
  ret = re.findall('www.(?:baidu|souhu).com', 'www.baidu.com')
  print(ret)
  # 结果>>> ['www.baidu.com']

re.search函数 *****

• 格式：re.search(pattern, string, flags=0)
• 参数：

  pattern：匹配的正则表达式
  string：要匹配的字符串
  flags：标志位，用于控制正则表达式的匹配方式

• 示例：

  ret = re.search(r'd', 'Today is a Good day, Day')
  print(ret)
  # 结果>>> <_sre.SRE_Match object; span=(2, 3), match='d'>
  print(ret.group())
  # 结果>>> d
  ret = re.search(r'j', 'Today is a Good day, Day')
  print(ret)
  # 结果>>> None

re.match函数 ***

• 格式：re.match(pattern, string, flags=0)
• 参数：

  pattern：匹配的正则表达式
  string：要匹配的字符串
  flags：标志位，用于控制正则表达式的匹配方式

• 示例：

  ret = re.match(r'www', 'www.baidu.com')
  print(ret)
  # 结果>>> <_sre.SRE_Match object; span=(0, 3), match='www'>
  print(ret.group())
  # 结果>>> www
  ret = re.match(r'www', 'ww.baidu.com')
  print(ret)
  # 结果>>> None

re.sub函数 ***

• 格式：re.sub(pattern, repl, string, count=0)
• 参数：

  pattern：    正则表达式(规则)
  repl：       指定的用来替换的字符串
  string：     目标字符串
  count：      最多替换次数，如果不指定，默认全部替换

• 示例：

  ret = re.sub(r'\d', 'H', 'sjkd42jk234523jln5aex8439')
  print(ret)
  # 结果>>> sjkdHHjkHHHHHHjlnHaexHHHH
  ret = re.sub(r'\d', 'H', 'sjkd42jk234523jln5aex8439',count=2)
  print(ret)
  # 结果>>> sjkdHHjk234523jln5aex8439
  
  # subn函数：其实和sub一样，只是返回替换了多少次
  ret = re.subn(r'\d', 'H', 'sjkd42jk234523jln5aex8439')
  print(ret)
  # 结果>>> ('sjkdHHjkHHHHHHjlnHaexHHHH', 13)
  ret = re.subn(r'\d', 'H', 'sjkd42jk234523jln5aex8439',count=2)
  print(ret)
  # 结果>>> ('sjkdHHjk234523jln5aex8439', 2)

re.split函数 ***

• 格式：re.split(pattern, string, maxsplit=0, flags=0)
• 参数：

  pattern：匹配的正则表达式
  string：要匹配的字符串
  maxsplit : 指定分隔的次数；默认为0，不限制次数
  flags：标志位，用于控制正则表达式的匹配方式

• 示例：

  ret = re.split(r'\d+', 'www232abcdw3jafe32ad')
  print(ret)
  # 结果>>> ['www', 'abcdw', 'jafe', 'ad']
  ret = re.split(r'\d+', 'www232abcdw3jafe32ad', maxsplit=2)
  print(ret)
  # 结果>>> ['www', 'abcdw', 'jafe32ad']

• split的优先级查询

  ret = re.split('\d+', 'sdjkfl3sdjl5jskd2dsf')
  print(ret)
  # 结果>>> ['sdjkfl', 'sdjl', 'jskd', 'dsf']
  ret = re.split('(\d+)', 'sdjkfl3sdjl5jskd2dsf')
  print(ret)
  # 结果>>> ['sdjkfl', '3', 'sdjl', '5', 'jskd', '2', 'dsf']
  
  '''
  在匹配部分加上（）之后所切出的结果是不同的，
  没有（）的没有保留所匹配的项，但是有（）的却能够保留了匹配的项，
  这个在某些需要保留匹配部分的使用过程是非常重要的。
  '''

re.compile函数 *****

• 格式：re.compile(pattern)
• 参数：

  pattern：要编译的正则表达式

• 示例：

  my_re = re.compile('\d{3}')
  ret = re.findall(my_re, 'jdla2jd2462jskdf234546')
  print(ret)
  # 结果>>> ['246', '234', '546']
  ret = re.search(my_re, 'jdla2jd2462jskdf234546').group()
  print(ret)
  # 结果>>> 246
  ret = re.match(my_re, '43423sjdkfljaj24234').group()
  print(ret)
  # 结果>>> 434
  
  # 编译后的，都可以使用re模块的其他方法，如：findall、search、match、sub、split等

re.finditer函数 *****

• 格式：re.finditer(pattern, string, flags=0)
• 参数：

  pattern：匹配的正则表达式
  string：要匹配的字符串
  flags：标志位，用于控制正则表达式的匹配方式

• 示例：

  ret = re.finditer(r'\d', 'sjkdfl3jskl9ajkl234jdkf75jdslf')
  for i in ret:
      print(i.group())
  # 结果>>>
  '''
  3
  9
  2
  3
  4
  7
  5
  '''

分组 ***** 

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

str3 = "010-52365561"
m = re.match(r"(\d{3})-(\d{8})", str3)
c = re.match(r"(?P<first>\d{3})-(\d{8})", str3)     # ?P<>给组起名
print(m)
# 打印结果：<_sre.SRE_Match object; span=(0, 12), match='010-52365561'>
print(m.group(0))   #使用序号获取对应组的信息，group(0)--代表原始的字符串
# 打印结果：010-52365561
print(m.group(1))
# 打印结果：010
print(m.group(2))
# 打印结果：52365561
print(m.groups())   #查看匹配的各组的情况
# 打印结果：('010', '52365561')
print(c.group("first"))
# 打印结果：010

扩展

匹配标签

ret = re.search(r'<(?P<tag_name>\w+)>.+</(?P=tag_name)>', '<h1>Hello World</h1>')
'''
还可以在分组中利用?<name>的形式给分组起名字
获取的匹配结果可以直接用group('名字')拿到对应的值
'''
print(ret.group())
# 结果>>> <h1>Hello World</h1>
print(ret.group('tag_name'))
# 结果>>> h1

ret = re.search(r'<(\w+)>.+</(\1)>', '<h1>Hello World</h1>')
'''
如果不给组起名字，也可以用\序号来找到对应的组，表示要找的内容和前面的组内容一致
获取的匹配结果可以直接用group(序号)拿到对应的值
'''
print(ret.group())
# 结果>>> <h1>Hello World</h1>
print(ret.group(1))
# 结果>>> h1

匹配整数

ret = re.findall('\d+', "1-2*(60+(-40.35/5)-(-4*3))")
print(ret)
# 结果>>> ['1', '2', '60', '40', '35', '5', '4', '3']
ret = re.findall('-?\d+\.\d+|(-?\d+)', "1-2*(60+(-40.35/5)-(-4*3))")
print(ret)  # 结果>>> ['1', '-2', '60', '', '5', '-4', '3']
ret.remove('')
print(ret)  # 结果>>> ['1', '-2', '60', '5', '-4', '3']

数字匹配

1、 匹配一段文本中的每行的邮箱
      http://blog.csdn.net/make164492212/article/details/51656638

2、 匹配一段文本中的每行的时间字符串，比如：‘1990-07-12’；

   分别取出1年的12个月（^(0?[1-9]|1[0-2])$）、
   一个月的31天：^((0?[1-9])|((1|2)[0-9])|30|31)$

3、 匹配qq号。(腾讯QQ号从10000开始)  ［1,9］[0,9]{4,}

4、 匹配一个浮点数。       ^(-?\d+)(\.\d+)?$   或者  -?\d+\.?\d*

5、 匹配汉字。             ^[\u4e00-\u9fa5]{0,}$