python笔记 - re模块

一、re.match()

---

从开始位置开始匹配，匹配成功返回一个SRE_Match对象，未匹配成功返回None,可以调用该对象中的group方法获取匹配成功的字符串

1. 不分组:

origin = 'hello egon bcd egon lge egon acd 19'
r = re.match("h\w+", origin)  #\w:匹配包括下划线的任何单词字符，等价于'[A-Za-z0-9_]'
print(r.group())  #获取匹配的所有结果，不管有没有分组，将匹配到的全部拿出来

2. 分组：

提取匹配成功的（指定）内容（先匹配成功全部正则，再将匹配成功中局部内容取出）

ry = re.match("h(\w+)",origin)
print(ry.groups())  
#结果：('ello’,)

3. 定义key:

?P<> 定义组里匹配内容的key键。<>里面写key的名称，值就是匹配到的内容

r3 = re.match("(?P<n1>h)(?P<n2>\w+)", origin)   
print(r3.group())
print(r3.groups())  #注意：有s的是分组，没有s的是全部匹配结果
print(r3.groupdict()) 

#结果
# hello
# ('h', 'ello')  #r3里定义了2个组
# {'n1': 'h', 'n2': 'ello'}   #将key组里的内容以字典形式拿出来

二、re.search()

---

浏览全部字符串，匹配第一符合规则的字符串（只返回一个），未匹配成功返回None

1. 不分组：

origin = "hello alex bcd alex lge alex acd 19"
r4 = re.search("a\w+", origin)
print(r4.group()) 

#结果：alex

2. 分组：

r5 = re.search("a(\w+.*(\d))", origin)
print(r5.group())
print(r5.groups()) 

#结果
# alex bcd alex lge alex acd 19
# ('lex bcd alex lge alex acd 19', '9')   #大括号里小括号，所以是两个组

3. 定义key

r6 = re.search("a(?P<n1>\w+).*(?P<n2>\d)", origin)
print(r6.group())
print(r6.groups())  
print(r6.groupdict()) 

#结果：
# alex bcd alex lge alex acd 19
# ('lex', '9')
# {'n1': 'lex', 'n2': '9'}

三、findall()

---

浏览全部字符串，匹配所有符合规则的字符串，匹配到的字符放在一个列表中

1. 没有分组

r7 = re.findall("\d+\w\d+","a2b3c4d5")  #结果可以直接输出，不像match和search返回结果是对象
print(r7)  #['2b3', '4d5']

2. 有分组

origin = "hello alex bcd alex lge alex acd 19"
r9 = re.findall("a(\w+)", origin)  #只将匹配到的字符串里，组的部分放到列表里返回
print(r9)  

# 结果
# ['lex', 'lex', 'lex', 'cd']

3. 多个分组：

只将匹配到的字符串里，组的部分放到一个元组中，最后将所有元组放到一个列表里返回

origin = "hello alex bcd alex lge alex acd 19"
r10 = re.findall("(a)(\w+)", origin)  
print(r10)

# 结果：
# [('a', 'lex'), ('a', 'lex'), ('a', 'lex'), ('a', 'cd')]

4. 分组中有分组

只将匹配到的字符串里，组的部分放到一个元组中，先将包含有组的组，看作一个整体也就是一个组，

把这个整体组放入一个元组里，然后在把组里的组放入一个元组，最后将所有组放入一个列表返回。

origin = "hello alex bcd alex lge alex acd 19"
r11 = re.findall("(a)(\w+(e))", origin)
print(r11)

# 结果：
# [('a', 'le', 'e'), ('a', 'le', 'e'), ('a', 'le', 'e')]

四、split() 分割

---

根据正则匹配分割字符串，返回分割后的一个列表

split(pattern, string, maxsplit=0, flags=0)

pattern： 正则模型

string ： 要匹配的字符串

maxsplit：指定分割个数

flags ： 匹配模式

origin = "hello alex bcd alex lge alex acd 19"
r12 = re.split("a",origin)  #根据正则匹配分割字符串
print(r12)

#结果：
#['hello ', 'lex bcd ', 'lex lge ', 'lex ', 'cd 19']  

r13 = re.split("a\w+", origin)
print(r13)

# 结果：
#['hello ', ' bcd ', ' lge ', ' ', ' 19’]

补充：如何在DataFrame中拆分某列，只获取第一部分，使用的是字符串的split方法

1、guolu_data['IDNO'] = guolu_data['统一社会信用代码'].map(lambda x : str(x).split('(')[0])

2、guolu_data['IDNO2'] = guolu_data['统一社会信用代码'].str.split("(",expand = True)[0]

五、sub()、subn() 替换

---

1. sub函数返回替换后的结果。

sub(pattern, repl, string, count=0, flags=0)

pattern： 正则模型

repl ： 用来替换的部分可能是一个字符串，也可以是一个函数，该函数返回一个用来替换的字符串

string ： 要匹配的字符串

count ： 指定匹配个数

flags ： 匹配模式

# sub()
origin = "hello alex bcd alex lge alex acd 19"
r14 = re.sub("a","替换",origin)
print(r14)
base_data2['CFH2'] = base_data2['CFH'].map(lambda x: re.sub(r'[〔（【]','(',x))

# 结果：
# hello 替换lex bcd 替换lex lge 替换lex 替换cd 19

# 补充：用正则表达式一次替换文章中所有特殊符号
p=re.compile(r'[-,$()#+&*]')

2. subn函数返回一个元组，元组的第1个元素是替换后的结果，第2个元素是替换的总数。

result = re.subn('Bill','Mike','Bill is my son,I like Bill')
print(result)
print(result[0])
print('替换总数','=',result[1])

# 结果1
# ('Mike is my son,I like Mike', 2)
# Mike is my son,I like Mike
# 替换总数 = 2

a, b = re.subn("a","替换",origin)   # 用两个变量分别接受返回结果
print(a)
print(b)

# 结果2
# hello 替换lex bcd 替换lex lge 替换lex 替换cd 19
# 4

六、正则匹配模式

---

re.S #使匹配包括换行在内的所有字符

re.I #使匹配对大小写不敏感

re.L

re.M #多行匹配，影响^和$

re.X

re.U

七、需转义字符

---

1. .
2. ^
3. $
4. *
5. +
6. ?
7. \\
8. []
9. |
10. {}
11. ()

附表

---

字符	描述
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个 后向引用、或一个八进制转义符。例如，'n' 匹配字符 "n"。'\n' 匹配一个换行符。序列 '\\' 匹配 "\" 而 "\(" 则匹配 "("。
^	匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 '\n' 或 '\r' 之后的位置。
$ | 匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 '\n' 或 '\r' 之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。 * 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 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,}	n 是一个非负整数。至少匹配n 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}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。刘， "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。
?	当该字符紧跟在任何一个其他限制符 (, +, ?, {n}, {n,}, {n,m*}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 "oooo"，'o+?' 将匹配单个 "o"，而 'o+' 将匹配所有 'o'。
.	匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符，请使用象 '[.\n]' 的模式。
(pattern)	匹配pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在Visual Basic Scripting Edition 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 '′或′'。
(?:pattern)	匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如， 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。
(?=pattern)	正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如， 'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ，但不能匹配 "Windows 3.1" 中的 "Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	负向预查，在任何不匹配Negative lookahead matches the search string at any point where a string not matching pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows"，但不能匹配 "Windows 2000" 中的 "Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始
x|y	匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。
[xyz]	字符集合。匹配所包含的任意一个字符。例如， '[abc]' 可以匹配 "plain" 中的 'a'。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如， '[^abc]' 可以匹配 "plain" 中的'p'。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B	匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
\cx	匹配由x指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。 x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 'c' 字符。
\d	匹配一个数字字符。等价于 [0-9]。
\D	匹配一个非数字字符。等价于 [^0-9]。
\f	匹配一个换页符。等价于 \x0c 和 \cL。
\n	匹配一个换行符。等价于 \x0a 和 \cJ。
\r	匹配一个回车符。等价于 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于 \x09 和 \cI。
\v	匹配一个垂直制表符。等价于 \x0b 和 \cK。
\w	匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。
\W	匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。
\xn	匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如， '\x41' 匹配 "A"。'\x041' 则等价于 '\x04' & "1"。正则表达式中可以使用 ASCII 编码。.
*num*	匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，'(.)\1' 匹配两个连续的相同字符。
*n*	标识一个八进制转义值或一个后向引用。如果 *n* 之前至少 n 个获取的子表达式，则 n 为后向引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。
*nm*	标识一个八进制转义值或一个后向引用。如果 *nm* 之前至少有is preceded by at least nm 个获取得子表达式，则 nm 为后向引用。如果 *nm* 之前至少有 n 个获取，则 n 为一个后跟文字 m 的后向引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 *nm* 将匹配八进制转义值 nm。
*nml*	如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。
\un	匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。