day19---正则表达式

1. 正则

• 定义：正则或叫正则表达式，是一种处理文字的规则

• 字符组：在一个字符的位置可以出现所有情况的集合就是一个字符组

  • 表示数字的字符组：[0-9]

  • 表示字母的字符组：[A-Za-z]

• 元字符：

  • .：匹配一个除换行符以外的任意字符

  • \w：匹配任意一个字母或数字或下划线

  • \s： 匹配任意一个空格

  • \d： 匹配任意一个数字

  • \W：匹配任意一个非字母或数字或下划线的字符

  • \S： 匹配任意一个非空格的字符

  • \D： 匹配任意一个非数字的字符

  • \n： 匹配一个换行符

  • \t： 匹配一个制表符

  • \b： 匹配一个单词的结尾

  • ^： 匹配字符串的开始

  • $： 匹配字符串的结尾

  • 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

  • [...]： 匹配字符组中的任意一个字符

  • [^...]： 匹配非字符组中的其他任意一个字符

• 量词：

  • *： 匹配0次或多次

  • +： 匹配1次或多次

  • ?： 匹配0次或1次

  • {n}： 匹配n次

  • {n,}： 匹配最少n次

  • {n,m}： 匹配最少n次最多m次

• 转义符：在python中，无论是正则表达式，还是待匹配的内容，都是以字符串的形式出现的，在字符串中\也有特殊的含义，本身还需要转义。在字符串前加上'r'

• 贪婪模式：在满足匹配时，匹配尽可能长的字符串，默认情况下，采用贪婪匹配；如果想取消贪婪模式，需要在量词的后面加上'?'

2. re模块

• 描述：python中默认不支持正则表达式，需要导入re模块才能使用正则

import re

• findall：把所有匹配的条件的结果加入列表返回

import re
a = re.findall('[\d]{2}', '11a22b33c44')
print(a)
>>>
['11', '22', '33', '44']

• search：在字符串内查找模式匹配,只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None

import re
b = re.search('[a-z]', 'Hello World')
print(b.group())
>>>
e

• match：跟search用法一样，区别是match是从字符串开头进行匹配

import re
c = re.match('[A-Z]', 'Hello World')
print(c.group())
>>>
H

• split：针对指定字符串进行分割，并且会按照执行的匹配进行一个一个分割

import re
d = re.split('[e r]', 'Hello World')
print(d)
>>>
['H', 'llo', 'Wo', 'ld']

• sub：根据指定字符串把匹配的结果替换成新的字符，可以指定替换个数

import re
e = re.sub('l+?', 'y', 'Hello World', 2)
print(e)
>>>
Heyyo World

• subn：跟sub用法一样，把替换的结果和次数用元组形式返回

import re
f = re.subn('o+', 'L', 'Hello World', 1)
print(f)
>>>
('HellL World', 1)

• compile：将正则表达式编译为一个正则表达式对象，调用search方法直接针对指定字符串进行匹配

import re
g = re.compile('^ya')
s1 = g.search('yaya')
print(s1.group())
>>>
ya

• finditer：跟findall用法一样，把所有匹配到的结果使用迭代器返回

import re
h = re.finditer('[a-z]', 'Hello World')
for i in h:
        print(i.group())
>>>
e
l
l
o
o
r
l
d

3. 正则表达式进阶

• 组内优先：

import re
r1 = re.findall(r'www\.(baidu|qq)\.com', 'www.baidu.com')
print(r1)
r2 = re.findall(r'www\.baidu\.com|www\.qq\.com', 'www.baidu.com')
print(r2)
r3 = re.findall(r'www\.(?:baidu|qq)\.com', 'www.baidu.com')
print(r3)
>>>
['baidu']
['www.baidu.com']
['www.baidu.com']

• 分组命名：

import re
r1 = re.search(r'www\.(?P<web_name>baidu|qq)\.com', 'www.baidu.com').group()
print(r1)
r2 = re.search(r'www\.(?P<web_name>baidu|qq)\.com', 'www.baidu.com').group('web_name')
print(r2)
>>>
www.baidu.com
baidu

• 分组引用1：

import re
r1 = re.search('<\w+>[\s\w]+</\w+>', '<h1>Hello World</h1>')
print(r1.group())
r2 = re.search('<(?P<tag_name>\w+)>[\s\w]+</(?P=tag_name)>', '<h1>Hello World</h1>')
print(r2.group())
print(r2.group('tag_name'))
>>>
<h1>Hello World</h1>
<h1>Hello World</h1>
h1

• 分组引用2：

import re
r1 = re.findall(r'<\w+>[\s\w]+</\w+>', '<h1>Hello World</h1>')
print(r1)
r2 = re.findall(r'<(\w+)><(\w+)>[\s\w]+</\2></\1>', '<b><u>Hello World</u></b>')
print(r2)
>>>
['<h1>Hello World</h1>']
[('b', 'u')]

• 切割：

import re
r1 = re.split('\d+', 'yy1liyan2yange3ly')
print(r1)
r2 = re.split('(\d+)', 'yy1liyan2yange3ly')
print(r2)
>>>
['yy', 'liyan', 'yange', 'ly']
['yy', '1', 'liyan', '2', 'yange', '3', 'ly']

• 特殊匹配：

# 匹配整数
import re
r1 = re.findall(r"\d+","1-2*(60+(-40.35/5)-(-4*3))")
print(r1)
r2 = re.findall(r"-?\d+\.\d*|(-?\d+)","1-2*(60+(-40.35/5)-(-4*3))")
print(r2)
r2.remove("")
print(r2)
>>>
['1', '2', '60', '40', '35', '5', '4', '3']
['1', '-2', '60', '', '5', '-4', '3']
['1', '-2', '60', '5', '-4', '3']