模块之正则

re模块--在python里操作正则表达式的模块
　　用途--验证字符串的合法性，爬虫

正则表达式--基本的东西
    正则表达式是一种客观存在的一种规则
    re模块是python提供的操作正则表达式的工具
正则表达式就是匹配字符串内容的一种规则（工具：regex）

字符集---[多种可能]--表示一个字符的位置--# 多种可能可以是范围--必须是从小到大

元字符--占一个字符所表示的内容
  重点，常用
    . 匹配除了换行符以外的任意字符
    \w 匹配字母数字或下划线
    \s 匹配任意的空白符
    \d 匹配数字
    a|b 匹配字符a或字符b
    ()匹配括号内的表达式，也表示一个组
    [...] 匹配字符组中的字符
    [^...]在字符集里表示匹配除了字符组中的所有字符
  比较常用
    \n 匹配换行符
    ^ 匹配字符串的开始
    $ 匹配字符串的结尾
  不太常用
    \t 制表符
    \b 匹配单词的结尾
    \W 匹配非字母数字或下划线
    \D 匹配非数字
    \S 匹配非空白符

量词--只表示前面一个字符的次数
    * 重复零次或更多次
    + 重复一次或更多次
    ？重复零次或一次
    {n} 重复n次
    {n,} 重复n次或更多次
    {n,m} 重复n到m次

    规则：#贪婪匹配（字符+量词）：
                每个量词只控制前面一个字符的出现次数
                这个量词的匹配方式就是贪婪匹配（尽量多的匹配，能匹配多少匹配多少）
            非贪婪匹配： 字符+量词+？
                常用： .*? + 任意字符，匹配到任意字符就返回
    分组：约束多个字符集匹配次数

转义符
    在正则里想表示换行符\n，需要写\\n，想表示字符串"\n",要写 \\\\n
    python的规则：r"放正则表达式"---取消python里的各种转义符

回溯算法---正则贪婪匹配的本质就是回溯算法


re模块

import re
ret = re.findall("正则表达式","要匹配的字符串")---直接返回一个列表，每个结果都是字符串，找不到返回空列表
print(ret)

ret2 =  re.search("正则表达式","要匹配的字符串")---匹配找到的第一个结果，找不到返回None
if ret2:
    print(ret2.group())

ret3 = re.match("正则表达式","要匹配的字符串")---只匹配从头开始匹配到的值，找不到返回None
if ret3:
    print(ret3.group())

 

小结：
    在调用的角度上看没有区别，接受两个参数按照位置传，正则表达式和要匹配的字符串
    返回值的区别：
    re.findall()---列表，匹配到的所有内容都会出现在列表中，如果没有匹配到返回空列表
    re.search()--如果匹配到结果返回第一个匹配到的，如果没有匹配到返回None
                --返回值用group()方法取出来
    re.match()--只匹配从头开始匹配到的第一个值，如果没有匹配到返回None
                --返回值用group()方法取出来

import re
re.split("[ab]","afdbndf")---先按a去分割，再按b去分割

import re
re.sub("新的","旧的","需要替换的内容","次数")---替换

import re
ret = re.subn('\d', 'H', 'eva3egon4yuan4')#将数字替换成'H'，返回元组(替换的结果,替换了多少次)
print(ret)

import re
obj = re.compile('\d{3}')  #将正则表达式编译成为一个 正则表达式对象，规则要匹配的是3个数字
ret = obj.search('abc123eeee') #正则表达式对象调用search，参数为待匹配的字符串
print(ret.group())  #结果 ： 123

import re
ret = re.finditer('\d', 'ds3sy4784a')   #finditer返回一个存放匹配结果的迭代器
print(ret)  # <callable_iterator object at 0x10195f940>
print(next(ret).group())  #查看第一个结果
print(next(ret).group())  #查看第二个结果
print([i.group() for i in ret])  #查看剩余的左右结果

 

re.findall()优先级问题：
    分组的优先匹配，优先显示，只显示分组里的内容
    在分组里加  ?: 就可以全部显示了

re.split()优先级问题：
    如果先分组再分割，分隔符也会保留并输出

标签语言
  分组命名 #分组命名：(?P<name>\w+)，分组赋值：(?P=name)
    ?P<变量名>---只取到标签名

import re
ret = re.search("<\w+>\w+</\w+>","<h1>hello</h1>")
print(ret.group())

import re
ret = re.search("<(?P<name>\w+)>\w+</(?P=name)>","<h1>hello</h1>")
print(ret.group())#---全部取出来
print(ret.group("name"))#---只取标签名
#分组命名：(?P<name>\w+)，分组赋值：(?P=name)

import re
ret = re.search("<(?P<name>\w+)>(?P<a>\w+)</(?P=name)>","<h1>hello</h1>")
print(ret.group())#---全部取出来
print(ret.group("name"))#---只取标签名
print(ret.group("a"))#---取到内容

 

分组的用途
    对多个字符进行整体的量词约束
    对于一条匹配的正则，只对其中我需要的内容进行分组