正则表达式

正则表达式

• 正则表达式为高级的文本模式匹配，抽取，与/或文本形式的搜索和替换功能提供基础。
• 正则表达式(regex)由一些字符和特殊字符组成的字符串。正则表撒式能按某种模式匹配一些列有相似特征字符串。只能匹配一个字符串的正则表达式毫无意义。
• python通过标准库re模块支持正则表达式。

第一个正则表达式

• foo 只能匹配 foo,正则表达是强大之处在于引用特殊字符来定义字符集合，匹配子组，重复模式。匹配字符串集合，而不是某个单字符串
  
  

特殊符号和字符

表示法	描述	正则表达式示例
符号
literal	匹配文本字符串的字面值literal	foo
`re1	re2`	匹配正则表达式re1或re2
.	匹配任何字符（除了\n)	b.b
^	匹配字符串起始部分	^Dear
$	匹配字符串终止部分	/bin/sh$
*	匹配0次或多次前面出现正则表达式	[A-Za-Z0-9]*
+	匹配1次或多次	[A-Z]+
?	匹配0次或1次	[A-Z]?
{N}	匹配N次前面出现正则表达式	[0-9]{N}
{N,M}
[...]	字符集	[aeiou]
[x-y]	匹配x-y范围内任意一字符	[0-9]
[^...]	不匹配此字符集任意一个字符	[^aeiou]
特殊字符
\d	匹配0-9	data\d+.txt
\w
\s
扩展表示法

使用择一匹配符号匹配多个正则表达式模式

正则表达式模式	匹配字符串
`at	home`

p匹配任意单字符(.)除了\n换行

正则表达式模式	匹配字符串
f.o	fao、f9o
\.	.

从字符串起始或者结尾或者单词边界匹配

正则表达式模式	匹配字符串
^From	任何以From作为起始字符串
/bin/tcsh$	任何以/bin/tcsh结尾字符串
^Subject:hi$	任何由单独字符串Subject:hi构成字符串
the	匹配the
\bthe	任何以the开始字符串
\bthe\b	仅仅匹配单词the
Bthe	任何包含但并不以the作为起始字符串

创建字符集合

正则表达式模式	匹配字符串
b[aeiu]t	bat,bet,bit,but

限定范围和否定

使用闭包操作符实现存在性和频数匹配

表示字符集的特殊字符

使用圆括号指定分组

• 只要用一对圆括号包裹任何正则表达式
  • 对正则表达式进行分组
  • 匹配子组

正则表达式模式	匹配字符串
\d+(\.\d*)?	表示简单浮点数字符串

扩展表示法

正则表达式和python语言

re模块：核心函数和方法

1. `compile(pattern,flag=0)` 返回正则表达式对象。
   

2. re模块函数和正则表达式对象方法
   • match(pattern,string,flags=0) 匹配成功返回匹配对象，失败返回None
   • search(pattern,string,flags=0)
   • findall(pattern,string[,flags]) 返回一个匹配列表
   • finditer(pattern,string[,flags]) 与findall 相同返回一个迭代器，迭代器返回一个匹配对象
   • split(pattern,string,max=0) 正则表达式模式分隔符，将字符串分割为列表，返回成功匹配列表
3. re模块函数和正则表达式对象方法
   • sub(pattern,repl,string,count=0)
4. 常用匹配对象方法
   • group(num=0) 返回整个匹配对象
   • groups(default=None) 返回一个包含所有陪陪子组的元组
   • groupdict(default=None) 返回一个包含素哟有匹配命名子组的字典

编译正则表达式

- re.compile()

匹配对象以及group()和groups()方法

使用 match()方法匹配字符串

- match() search()匹配对象； 匹配对象group()方法用于显示成功匹配。

import re
r = re.compile('foo') #返回正则表达式对象
m = re.match(r,'foo') #模式匹配对象
if m is not None:
    print(m.group())
m = re.match(r,'food on the table foo')
if m is not None:
    print(m.group())

使用search()在一个字符串中查找模式(搜索与匹配对比)

• 搜索模式出现在一个字符串中间部分。

 m = re.match('foo','seafood') #匹配失败
m     = re.search('foo','seafood') #匹配成功

重复，特殊字符及其分组

• 简单电子邮件正则表达式
  \w+@\w+\.com ---> yujun@qq.com
  \w+@(\w+\.)?\w+\.com --->yujun@qq.com yujun@www.qq.com
  \w+@(\w+\.)*\w+\.com ---->nobody@www.xxx.yyy.zzz.com
• 匹配能够提取内容

m = re.match('(a)(b)','ab')
print(m.group()) #ab
print(m.group(1)) #a
print(m.group(2)) #b
print(m.groups()) #('a','b')

m = re.match('(\w\w\w)-(\d\d\d)','abc-123')
print(m.group()) #'abc-123'
print(m.group(1)) #子组1 'abc'
print(m.group(2)) #子组2 '123'
print(m.groups())  #('123','abc')

re模块方法 findall() sub() subn() split()

• 使用findall() fiditer()查找每一次出现位置

re.findall('car','car') # ['car']
re.findall('car','scray') #['car']
re.findall('car','carry the barcard to the car') #['car','car','car']
s = 'That and this'
print(re.findall(r'(th\w+)',s,re.I)) #['This','that]
it = re.finditer(r'(th\w+)',s,re.I)
g = next(it)
print(g.groups())  #('This',)
g = next(it)
print(g.groups())  #('that')
print(g.group(1)) #that

使用sub()和subn()搜索与替换

print(re.sub('[ae]','X','abcedf')) #XbcXdf
print(re.subn('[ae]','X','abcedf')) #('XbcXdf', 2)
# 可以用n来代替分组编号 MM/DD/YY --> DD/MM/YY
print(re.sub(r'(\d{1,2})/(\d{1,2})/(\d{2}|d{4})',r'\2/\1/\3','2/20/91')) #20/2/91

在限定模式上使用splite()分割字符串

print(re.split(':','str1:str2:str3')) #['str1','str2','str3']

扩展符号

正则表达式入门

正则表达式目的

- 判断字符串是否符合正则表达式逻辑
- 通过正则表达式从指定的字符串中获取我们需要的特定部分。

• 如何判断一个字符串是否是手机号码？

#手机号码特征 13[\d]{9}
print(re.match(r'13[\d]{9}','13362158971').group())

match方法

• match object = re.match('正则表达式','要匹配字符串')
• match object.group() 返回字符串匹配部分

正则表达式单字符匹配('

', '匹配数组', '

')

字符	功能	示例
.	匹配任意一个字符除了\n	print(re.match('.','你好').group()) #你
[]	匹配[]中列举一个字符
\d
\D
\s	空白字符
\S
\w
\W

正则表达式描述数量

字符	功能
*	匹配前一个字符出现0次或者无限次
+
？

s = '\\nabc'
print(re.match('\\\\nabc',s)) #\\nabc
print(re.match(r'\\nabc',s)) #<_sre.SRE_Match object; span=(0, 5), match='\\nabc'>

表示边界

字符	功能
$	re.match(r'1[3]\d{9}$','13888888888')
^	match感觉不出来，findall(),search()
b
B

正则分组

字符	功能
(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分组匹配到字符串

result=re.match(r'(<h1>)(.*)(</h1>)','<h1>匹配数组</h1>')
print(result.groups()) #('<h1>', '匹配数组', '</h1>')
print(result.group(0),result.group(1),result.group(2),result.group(3))
#\num
s='<html><h1>itcast</h1></html>'
print(re.match(r'<(.+)><(.+)>.+</\2></\1>',s))
#<?P<name>>定义
print(re.match(r'<(?P<k1>.+)><(?P<k2>.+)>.+</(?P=k2)></(?P=k1)>',s))
#(?P=name)引用
#匹配邮箱
p = r'(\w+)@(163|126|gmail|qq)\.(com|cn|net)$'
r = re.match(p,'itcast@qq.com')
print(r.group())

re模块的高级用法

• re.match( )
• re.search( )
• re.findall()
• re.sub(）批量替换

贪婪模式

• 正则正常情况下贪婪模式
• 在* ? + {m,n}后面加? 使贪婪变成非贪婪

result=re.match(r'(<h1>)(.*)(</h1>)','<h1>匹配数组</h1>')
print(result.groups()) #('<h1>', '匹配数组', '</h1>')
print(result.group(0),result.group(1),result.group(2),result.group(3))
#\num
s='<html><h1>itcast</h1></html>'
print(re.match(r'<(.+)><(.+)>.+</\2></\1>',s))
#<?P<name>>定义
print(re.match(r'<(?P<k1>.+)><(?P<k2>.+)>.+</(?P=k2)></(?P=k1)>',s))
#(?P=name)引用
#匹配邮箱
p = r'(\w+)@(163|126|gmail|qq)\.(com|cn|net)$'
r = re.match(p,'itcast@qq.com')
print(r.group())
s = 'This is a number 234-235-22'
r = re.match(r'.+(\d+-\d+-\d+)',s)
print(r.group(1)) # 4-235-22
r = re.match(r'.+?(\d+-\d+-\d+)',s)
print(r.group(1)) #234-235-22