正则表达式总结-1
转载
正则表达式是一种强大的文本处理工具，它允许你根据一定的规则来搜索、匹配、替换和验证文本，适配各种编程语言。
应用场景
正则表达式在计算机领域有广泛的应用，包括：
1、文本搜索和匹配：查找特定模式的字符串，如搜索包含特定关键词的文档。
2、数据验证：验证用户输入的数据是否符合特定格式，如电子邮件地址、电话号码、日期等。
3、数据提取：从文本中提取特定信息，如从HTML页面中提取链接或从日志文件中提取关键信息。
4、字符串替换：将文本中的特定模式替换为其他内容，如过滤敏感词汇。
5、日志分析：分析日志文件以提取有用的信息，如统计访问量或检测异常事件。
6、编译原理：在编译器和解释器中用于词法分析和语法分析。
7、网络爬虫：用于网页内容的抓取和处理。
元字符
常见元字符：
.：匹配任意字符，除了换行符。
例如，正则表达式 a.b 可以匹配 "axb"、"aab"、"a1b" 等。
*：匹配【前一个字符】零次或多次。
例如，正则表达式 ca*t 可以匹配 "ct"、"cat"、"caat" 等。
+：匹配【前一个字符】一次或多次。
例如，正则表达式 ca+t 可以匹配 "cat"、"caat" 等，但不匹配 "ct"。
?：匹配【前一个字符】零次或一次。
例如，正则表达式 colou?r 可以匹配 "color" 和 "colour"。
|：表示“或”操作，匹配两个或多个模式中的任何一个。
例如，正则表达式 apple|banana 可以匹配 "apple" 或 "banana"。
[]：定义字符类，匹配括号内的任何字符。
例如，正则表达式 [aeiou] 可以匹配任何元音字母。
()：表示分组，用于捕获匹配的文本。
例如，正则表达式 (\d{3})-(\d{2}) 可以匹配 "123-45" 并捕获 "123" 和 "45"。
字符类
字符类用于匹配某一类字符，常见字符类：
[0-9]：匹配任何数字。
[a-z]：匹配小写字母。
[A-Z]：匹配大写字母。
[a-zA-Z]：匹配任何字母。
[^0-9]：匹配除了数字以外的字符。
[aeiou]：匹配任何元音字母。
数量词
数量词用于指定模式中字符的重复次数，常见数量词：
{n}：匹配【前一个字符】恰好 n 次。
{n,}：匹配【前一个字符】至少 n 次。
{n,m}：匹配【前一个字符】至少 n 次，但不超过 m 次。
*：匹配零次或多次。
+：匹配一次或多次。
?：匹配零次或一次。
边界匹配
边界匹配用于限定匹配模式的位置，常见的边界匹配符号：
^：匹配字符串的开始
$：匹配字符串的结束
\b：匹配单词的边界
\B：匹配非单词边界
组匹配
正则表达式的组匹配允许你将模式中的一部分用括号括起来，以便捕获匹配的内容，这些捕获的内容可以在后续操作中使用。组匹配非常有用，特别是在需要提取或替换特定部分的文本时。
示例一：匹配日期
考虑一个匹配日期的例子，正则表达式为
(\d{4})-(\d{2})-(\d{2})
这个正则表达式会匹配形如 "2023-05-09" 的日期，并捕获年、月、日三个部分。
"2023-05-09" 匹配整个模式，捕获的结果是：年 = "2023"，月 = "05"，日 = "09"。
示例二：替换重复单词
正则表达式的组匹配在替换文本中的内容时非常有用。考虑一个需要将文本中的重复单词替换为一次的情况，正则表达式为
\b(\w+)\b\s+\1\b
- \b(\w+)\b 匹配一个单词，并捕获到组1中。
- \s+ 匹配一个或多个空白字符。
- \1\b 匹配与组1相同的单词，并匹配单词边界。
通过这个正则表达式，可以将文本中的 "word word" 替换为 "word"。
反向引用
正则表达式的反向引用是一种强大的技术，允许你在模式中引用已经捕获的文本，并在匹配时使用这些引用。这通常通过组匹配和反向引用组号来实现。反向引用在处理需要重复出现的文本模式时非常有用，例如识别重复单词、标签、括号等。
基本语法
在正则表达式中，反向引用使用组号来指示要引用的组，组号从1开始。组是通过在模式中使用圆括号 () 来创建的。一旦你捕获了一个组，你可以在后续的模式中引用它。引用的语法是 \ 后跟组号，例如 \1 表示引用组1。
示例一：匹配重复单词
假设我们有一段文本，其中有一些单词出现了两次。我们希望使用正则表达式将这些重复的单词识别出来。
文本："Hello, hello, world, world, example, example."
正则表达式：
\b(\w+)\b.*\b\1\b
- \b(\w+)\b：匹配一个单词并捕获到组1中。
- .*：匹配任意字符（包括空格）零次或多次。
- \b\1\b：引用组1，确保匹配的是与组1相同的单词，并且单词边界匹配。
使用这个正则表达式，我们可以捕获到重复的单词 "example" 和 "world"。
示例二：HTML标签匹配
假设我们需要从HTML文档中提取所有的链接文本和链接地址。HTML标签是有嵌套关系的，我们可以使用反向引用来处理这种情况。
HTML片段：
<a href="https://www.example1.com">Example 1</a><a href="https://www.example2.com">Example 2</a><a href="https://www.example3.com">Example 3</a>
正则表达式：
<a href="([^"]+)">([^<]+)</a>
- <a href="([^"]+)">：匹配链接的开头标签，捕获链接地址到组1中。
- ([^<]+)：匹配链接文本，捕获到组2中。
- ：匹配链接的结束标签。
import re
str = '<a href="https://www.example1.com">Example 1</a>' \
'<a href="https://www.example2.com">Example 2</a>' \
'<a href="https://www.example3.com">Example 3</a>'
pattent = '<a href="([^"]+)">([^<]+)</a>'
data = re.findall(string=str,pattern=pattent)
print(data)
# 输出
[('https://www.example1.com', 'Example 1'), ('https://www.example2.com', 'Example 2'), ('https://www.example3.com', 'Example 3')]
实战
案例1
- 问题
对于字符串values，想要提取其中的cap所在的行信息，并输出打印出结果。
import re
values = """
[13:52:44]<fruits>
[13:52:44]apple : 11111 mv
[13:52:44]banana : 22222 mv
[13:52:44]vol : 10327 mv
[13:52:44]<batterry>
[13:52:44]vol : 10327 mv
[13:52:44]cur : 4344 ma
[13:52:44]cap : 25 %
[13:52:44]tpwr : 44.86 w
[13:52:44]<motor>
[13:52:44]bird : 999999 w
[13:52:44]monkey : 888888
[13:52:44]tpwr : 44.86 w
[13:52:44]<animals>
"""
- 先定位并提取数据
data = re.findall("<batterry>(.*)<motor>", values, re.S) # re.S表示换行也算
print(data)
# 输出
['\n[13:52:44]vol : 10327 mv\n[13:52:44]cur : 4344 ma\n[13:52:44]cap : 25 %\n[13:52:44]tpwr : 44.86 w\n[13:52:44]']
- 定义匹配策略
- "\s" 匹配空白字符
- "\d" 匹配数字字符
- "." 匹配任意字符
- "*" 匹配0个或多个字符
- "" 转义，匹配特殊字符
- "()" 将所需要的数据单独匹配出来
for key in data:
volValue = re.findall("\[(.*)\]({})\s*:\s*(\d*)".format("cap"), key)
print(volValue)
# 输出
[('13:52:44', 'cap', '25')]
- 输出
volDict = {}
timeList = []
valueList = []
for value in volValue:
timeList.append(value[0])
valueList.append(value[2])
volDict["time"] = timeList
volDict["vol"] = volValue[0][1]
volDict["value"] = valueList
print(volDict)
# 输出
{'time': ['13:52:44'], 'vol': 'cap', 'value': ['25']}
