正则表达式笔记

1、正则表达式概述

正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。

Regular Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思，Regular Expression即“描述某种规则的表达式”之意。

2、re模块操作

在Python中需要通过正则表达式对字符串进行匹配的时候，可以使用一个模块，名字为re

1. re模块的使用过程

    # 导入re模块
    import re

    # 使用match方法进行匹配操作
    result = re.match(正则表达式,要匹配的字符串)

    # 如果上一步匹配到数据的话，可以使用group方法来提取数据
    result.group()

re.match是用来进行正则匹配检查的方法，若字符串匹配正则表达式，则match方法返回匹配对象（Match Object），否则返回None（注意不是空字符串""）。

匹配对象Macth Object具有group方法，用来返回字符串的匹配部分

2. re模块示例(匹配以itcast开头的语句)

    #coding=utf-8

    import re

    result = re.match("itcast","itcast.cn")

    result.group()

运行结果为：

itcast

3. 说明

• re.match() 能够匹配出以xxx开头的字符串

3、表示字符

在上一小节中，了解到通过re模块能够完成使用正则表达式来匹配字符串

本小节，将要讲解正则表达式的单字符匹配

字符	功能
.	匹配任意1个字符（除了\n）
[ ]	匹配[ ]中列举的字符
\d	匹配数字，即0-9
\D	匹配非数字，即不是数字
\s	匹配空白，即 空格，tab键
\S	匹配非空白
\w	匹配单词字符，即a-z、A-Z、0-9、_
\W	匹配非单词字符

import re

# 普通的匹配方式
ret = re.match("嫦娥1号", "嫦娥1号发射成功")
print(ret.group())

ret = re.match("嫦娥2号", "嫦娥2号发射成功")
print(ret.group())

ret = re.match("嫦娥3号", "嫦娥3号发射成功")
print(ret.group())

# 使用\d进行匹配
ret = re.match("嫦娥\d号", "嫦娥1号发射成功")
print(ret.group())

print(ret.group())

ret = re.match("嫦娥\d号", "嫦娥3号发射成功")
print(ret.group())

4、原始字符串

import re
mm = "c:\\a\\b\\c"
print(mm)

re.match("c:\\\\",mm).group()

ret = re.match("c:\\\\",mm).group()
print(ret)

ret = re.match("c:\\\\a",mm).group()
print(ret)

ret = re.match(r"c:\\a",mm).group()
print(ret)

说明

Python中字符串前面加上 r 表示原生字符串，

与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符""，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。

Python里的原生字符串很好地解决了这个问题，有了原始字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

5、表示数量

匹配多个字符的相关格式

字符	功能
*	匹配前一个字符出现0次或者无限次，即可有可无
+	匹配前一个字符出现1次或者无限次，即至少有1次
?	匹配前一个字符出现1次或者0次，即要么有1次，要么没有
{m}	匹配前一个字符出现m次
{m,}	匹配前一个字符至少出现m次
{m,n}	匹配前一个字符出现从m到n次

示例1：*

需求：匹配出，一个字符串第一个字母为大小字符，后面都是小写字母并且这些小写字母可有可无

#coding=utf-8
import re

ret = re.match("[A-Z][a-z]*","Mm")
print(ret.group())

ret = re.match("[A-Z][a-z]*","Aabcdef")
print(ret.group())
ret = re.match("[A-Z][a-z]","Aabcdef")
print(ret.group())

示例2：+

需求：匹配出，变量名是否有效

import re

ret = re.match("[a-zA-Z_]+[\w_]*","name1")
print(ret.group())

ret = re.match("[a-zA-Z_]+[\w_]*","_name")
print(ret.group())

ret = re.match("[a-zA-Z_]+[\w_]*","2_name")
# # print(ret.group())

示例3：?

需求：匹配出，0到99之间的数字

import re

ret = re.match("[1-9]?[0-9]","7")
print(ret.group())

ret = re.match("[1-9]?[0-9]","33")
print(ret.group())

ret = re.match("[1-9]?[0-9]","09")
print(ret.group())

示例4：{m}

需求：匹配出，8到20位的密码，可以是大小写英文字母、数字、下划线

import re

ret = re.match("[a-zA-Z0-9_]{6}","12a3g45678")
print(ret.group())

ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66")
print(ret.group())

ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23%%#@s34455ff66")
print(ret.group())


ret = re.match("[a-zA-Z0-9_]{4,20}[@][a-zA-Z0-9_]{3}[.][a-zA-Z0-9_]{3}","[e-mail]")
print(ret.group())

6、表示边界

字符	功能
^	匹配字符串开头
$	匹配字符串结尾
\b	匹配非单词的边界
\B	匹配单词边界

示例1：$

# 需求：匹配163.com的邮箱地址

#coding=utf-8

import re

# 正确的地址
ret = re.match("[\w]{4,20}@163\.com", "[e-mail]")
print(ret.group())

# 不正确的地址
ret = re.match("[\w]{4,20}@163\.com", "[e-mail]")
print(ret.group())

# 通过$来确定末尾
ret = re.match("[\w]{4,20}@163\.com$", "[e-mail]")
print(ret.group())
#$结尾后就停止了，所以报错

示例2: \b

import re
print(re.match(r".*\bver\b", "ho ver abc").group())


print(re.match(r".*\bver\b", "ho verabc").group())
#如果不是边界，就会报错

示例3：\B

import re
print(re.match(r".*\Bver\B", "hoverabc").group())
print(re.match(r".*\Bver\B", "ho verabc").group())

匹配到了直接截止

7、匹配分组

字符	功能
|	匹配左右任意一个表达式
(ab)	将括号中字符作为一个分组
\num	引用分组num匹配到的字符串
(?P)	分组起别名
(?P=name)	引用别名为name分组匹配到的字符串

示例1：|

需求：匹配出0-100之间的数字

import re

ret = re.match("[1-9]?\d","8")
print(ret.group())

ret = re.match("[1-9]?\d","78")
print(ret.group())
#
# # 不正确的情况
# ret = re.match("[1-9]?\d","08")
# print(ret.group())
#
# 修正之后的
ret = re.match("[0-9]?\d$","08")
print(ret.group())
#
# # 添加|
ret = re.match("[1-9]?\d$|100","100")
print(ret.group())
#
ret = re.match("[1-9]?\d$|100","78")
print(ret.group())
#
ret = re.match("[0-9]?\d$|100","08")
print(ret.group())
#
ret = re.match("[1-9]?\d$|100","100")
print(ret.group())

示例2：( )

需求：匹配出163、126、qq邮箱之间的数字

import re

ret = re.match("\w{4,20}@163\.com", "[e-mail]")
print(ret.group())

ret = re.match("\w{4,20}@(163|126|qq)\.com", "[e-mail]")
print(ret.group())

ret = re.match("\w{4,20}@(163|126|qq)\.com", "[e-mail]")
print(ret.group())

ret = re.match("\w{4,20}@(163|126|qq)\.com", "[e-mail]")
print(ret.group())
#gmail没有所以报错了

import re
ret = re.match("([^-]*)-(\d+)","010-12345678")
print(ret.group(),ret.group(1),ret.group(2))

示例3：\

import re

# 能够完成对正确的字符串的匹配
ret = re.match("<\w*>\w*</\w*>", "<html>hh</html>")
print(ret.group())

# 如果遇到非正常的html格式字符串，匹配出错
ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</htmlbal*bala>")
print(ret.group())

# 正确的理解思路：如果在第一对<>中是什么，按理说在后面的那对<>中就应该是什么

# 通过引用分组中匹配到的数据即可，但是要注意是元字符串，即类似 r""这种格式
#1表示能比配和前面相同的，如果一样，贼匹配成功，不一样，出错
ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</html>")
print(ret.group())

# 因为2对<>中的数据不一致，所以没有匹配出来
ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</htmlbalabala>")
print(ret.group())

示例4：\number

需求：匹配出www.itcast.cn

import re

ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h1></html>")
print(ret.group())

ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.itcast.cn</h2></html>")
print(ret.group())

示例5：(?P) (?P=name)

需求：匹配出www.itcast.cn

import re

ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h1></html>")
print(ret.group())

ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h2></html>")
print(ret.group())

相当于起了个名字而已

8、re模块的高级用法

search

需求：匹配出文章阅读的次数

#coding=utf-8
import re

ret = re.search(r"\d+", "阅读次数为 9999")
ret.group()

findall

需求：统计出python、c、c++相应文章阅读的次数

#coding=utf-8
import re

ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")
print(ret)

sub 将匹配到的数据进行替换

需求：将匹配到的阅读次数加1

方法1：

import re

ret1 = re.sub("\d+", '998', "python = 997")
ret2 = re.sub("\w+", '998', "python = 997")
print(ret1+'\n'+ret2)

方法2：

import re

def add(temp):
    strNum = temp.group()
    num = int(strNum) + 1
    return str(num)

ret = re.sub(r"\d+", add, "python = 997")
print(ret)

ret = re.sub(r"\d+", add, "python = 99")
print(ret)
#相当于把后面的参数传到add函数里面，然后在进行替换工作

split 根据匹配进行切割字符串，并返回一个列表

需求：切割字符串“info:xiaoZhang 33 shandong”

#coding=utf-8
import re
#通过空格切割
ret = re.split(r" | ","info:xiaoZhang 33 shandong")
print(ret)
#通过：切割
ret = re.split(r":| ","info:xiaoZhang 33 shandong")
print(ret)

9、python贪婪和非贪婪

Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；

非贪婪则相反，总是尝试匹配尽可能少的字符。

在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。

s="This is a number 234-235-22-423"
r=re.match(".+(\d+-\d+-\d+-\d+)",s)
r.group(1)
'4-235-22-423'
r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
r.group(1)
'234-235-22-423'

正则表达式模式中使用到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串，在我们上面的例子里面，“.+”会从字符串的启始处抓取满足模式的最长字符，其中包括我们想得到的第一个整型字段的中的大部分，“\d+”只需一位字符就可以匹配，所以它匹配了数字“4”，而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。

解决方式：非贪婪操作符“？”，这个操作符可以用在"*","+","?"的后面，要求正则匹配的越少越好。这样就保证的前面的少，后面数字匹配的多

print(re.match(r"aa(\d+)","aa2343ddd").group())

print(re.match(r"aa(\d+?)","aa2343ddd").group())

print(re.match(r"aa(\d+)ddd","aa2343ddd").group())

print(re.match(r"aa(\d+?)ddd","aa2343ddd").group())