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