19 正则表达式

1. 正则表达式的简介

1.1 概念

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑

1.2 正则表达式的应用场景

表单验证(例如 : 手机号、邮箱、身份证… )
爬虫

2. 正则表达式对Python的⽀持

2.1 普通字符

字符、数字、汉字、下划线、以及没有特殊定义的符号，都是"普通字符"。正则表达式中的普通字符，在匹配的时候,只匹配与自身相同的一个字符。
例如：表达式c，在匹配字符串abcde时，匹配结果是：成功；匹配到的内容是c；匹配到的位置开始于2，结束于3。（注：下标从0开始还是从1开始）

match(pattern, string, flags=0)

第一个参数是正则表达式，如果匹配成功，则返回一个match对象，否则返回一个None
第二个参数表示要匹配的字符串
第三个参数是标致位，用于控制正则表达式的匹配方式 如: 是否区分大小写,多行匹配等等

import re

# 正则表达式
pattern = 'pyth'

s = 'pythonn and java'


result = re.match(pattern,s)

if result:
    print(result)  # 输出：<_sre.SRE_Match object; span=(0, 4), match='pyth'>
    print(result.group())   # 用group（）方法选出match对象中的匹配结果
    # print(result.start())
    # print(result.end())
    # print(result.span())

else:

    print('没有匹配到')

match函数从头开始匹配，如果前方不符合正则表达式，则直接报错。

search函数不需要从头匹配

2.2 元字符

正则表达式中使用了很多元字符，用来表示一些特殊的含义或功能

[ ]匹配字符集中的一个字符
re.match(r'速度与激情[12345678]','速度与激情6').group()

输出：速度与激情6

一些无法书写或者具有特殊功能的字符，采用在前面加斜杠""进行转义的方法。

尚未列出的还有问号？、星号*和括号等其他的符号。所有正则表达式中具有特殊含义的字符在匹配自身的时候，都要用斜杠进行转义。这些转义字符的匹配用法与普通字符类似，也是匹配与之相同的一个字符

2.3 预定义匹配字符集

某个预定义字符集可以匹配的任意一个字符。如，表达式\d可以匹配任意一个数字。虽然可以匹配其中任意字符，但是只能是一个，不是多个

与具有特殊含义/功能的元字符一样，区别在于预定义匹配字符集是预先定义好的，使用更方便。

2.4 重复匹配

前面的表达式，无论是只能匹配一种字符的表达式，还是可以匹配多种字符其中任意一个的表达式，都只能匹配一次。但是有时候我们需要对某个字段进行重复匹配，例如手机号码13666666666，一般的新人可能会写成\d\d\d\d\d\d\d\d\d\d\d（注意，这不是一个恰当的表达式），
这种情况可以使用表达式再加上修饰匹配次数的特殊符号{ }，不需重复书写表达式就可以重复匹配。例如[abcd][abcd]可以写成[abcd]{2}

2.5 位置匹配和非贪婪匹配

位置匹配

有时候，我们对匹配出现的位置有要求，如开头、结尾、单词之间等等

print(re.match(r'abc$','abcdef').group())
# AttributeError: 'NoneType' object has no attribute 'group'

print(re.match(r'abc$','abc').group())
# abc

若需匹配的字符串以$结尾，则匹配文本的长度应等于需匹配字符串长度，
否则，报错

贪婪匹配与非贪婪匹配

在重复匹配时，正则表达式默认总是尽可能多的匹配，这被称为贪婪模式。例如，针对文本dxxxdxxxd，表达式(d)(\w+)(d)中的\w+将匹配第一个d和最后一个d之间的所有字符xxxdxxx。可见，\w+在匹配的时候，总是尽可能多的匹配符合它规则的字符。
同理，带有?、*和{m,n}的重复匹配表达式都是尽可能地多匹配

默认为贪婪模式，若使用非贪婪模式，.*？ 或者 .*+

校验数字的相关表达式：

特殊场景的表达式:

3. re模块常用方法

compile(pattern, flags=0)
这个用法是re模块的工厂法，用于将字符串形式的正则表达式编译为Pattern模式对象，可以实现更加效率的匹配。
第二个参数flag是匹配模式 使用compile( )完成一次转换后，再次使用该匹配模式的时候就不能进行转换了。经过compile( )转换的正则表达式对象也能使用普通的re用法

ptn = re.compile(r'abc')
print(ptn.match('abc123').group())
#abc

ptn = re.compile(r'abc')
ptn.match('ABC123').group()
#'NoneType' object has no attribute 'group'

ptn = re.compile(r'abc',re.I)
print(ptn.match('ABC123').group())
#ABC

flag匹配模式

search(pattern, string, flags=0)

在文本内查找，返回第一个匹配到的字符串。它的返回值类型和使用方法与match()是一样的，唯一的区别就是查找的位置不用固定在文本的开头（参照上述2.1的解释）

findall(pattern, string, flags=0)

作为re模块的三大搜索函数之一，findall()和match()、search()的不同之处在于，前两者都是单值匹配，找到一个就忽略后面，直接返回不再查找了。
findall是全部查找，它的返回值是一个匹配到的字符串的列表。这个列表没有group()方法，没有start、end、span，更不是一个匹配对象，仅仅是个列表！如果一项都没有匹配到那么返回一个空列表

re.findall(r'abc','123abc567abc789').group()
#AttributeError: 'list' object has no attribute 'group'
#findall没有group（）方法

print(re.findall(r'abc','123abc567abc789'))
#['abc', 'abc']
#返回的是第一个列表

print(re.findall(r'abc','123abc567abc789')[0])
#abc
#取值方式用列表的取值方式

print(re.findall(r'abcd','123abc567abc789'))
#[ ]
#不匹配，返回空列表，没有报错

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

re模块的split()用法和字符串的split()用法很相似，都是利用特定的字符去分割字符串。但是re模块的split()可以使用正则表达式，因此更灵活，更强大
split有个参数maxsplit，用于指定分割的次数

print(re.split(r'\+\*\/','8+7*5+6/3'))
#['8+7*5+6/3']
#需要添加在此处'\+\*\/'添加一个[ ]，如下方的表达式才是正确

print(re.split(r'[\+\*\/]','8+7*5+6/3'))
#['8', '7', '5', '6', '3']

print(re.split(r'[\+\*\/]','8+7*5+6/3',maxsplit=2))
#['8', '7', '5+6/3']
#maxsplit为分割次数

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

sub()用法类似字符串的replace()用法，用指定的内容替换匹配到的字符，可以指定替换次数

s = 'i am jerry i an nice to meet you ! i like python!'

re.sub(r'i','I',s)

#I am jerry I an nIce to meet you ! I lIke python!

4. 分组功能

Python的re模块有一个分组功能。所谓的分组就是去已经匹配到的内容再筛选出需要的内容，相当于二次过滤。实现分组靠圆括号( )，而获取分组的内容靠的是group()、groups()

r = re.search('.+\$\d*.+\$\d*',text)
print(r.group())
# 上述表达式为全匹配apple price is $88,orange price is $55


# 下方是对上述结果的二次过滤
r = re.search('.+(\$\d*).+(\$\d*)',text)
print(r.group(0))
#apple price is $88,orange price is $55
# group(0)，不分组不过滤，再次输出一次过滤的内容

print(r.group(1))
#$88
# 输出二次过滤后的第一组结果

print(r.group(2))
#$55
# 输出二次过滤后的第二组结果

print(r.groups())
#('$88', '$55')
# 以元组的形式，输出二次过滤后的全部结果

print(type(r.groups()))
#<class 'tuple'>
# groups()类型为元组