【Python】高级笔记第一部分:文件读写和正则表达式
全系列导航见:Python教程整理
🍀碎碎念🍀
Hello米娜桑,这里是英国留学中的杨丝儿。我的博客的关键词集中在算法、机器人、人工智能、数学等等,点个关注吧,持续高质量输出中。
🌸唠嗑QQ群:兔叽的魔术工房 (942848525)
⭐️B站账号:杨丝儿今天也在科学修仙(UP主跨站求个关注)
🌟正则表达式
⭐️概述
- 学习动机
- 文本数据处理已经成为常见的编程工作之一
- 对文本内容的搜索,定位,提取是逻辑比较复杂的工作
- 为了快速方便的解决上述问题,产生了正则表达式技术
- 定义
即文本的高级匹配模式,其本质是由一系列字符和特殊符号构成的字串,这个字串即正则表达式。 - 原理
通过普通字符和有特定含义的字符,来组成字符串,用以描述一定的字符串规则,比如:重复,位置等,来表达某类特定的字符串,进而匹配。 - 学习目标
- 熟练掌握正则表达式元字符
- 能够读懂常用正则表达式,编辑简单的正则规则
- 能够熟练使用re模块操作正则表达式
⭐️元字符使用
类别 | 元字符 |
---|---|
匹配字符 | . [...] [^...] \d \D \w \W \s \S |
匹配重复 | * + ? {n} {m,n} |
匹配位置 | ^ $ \b \B |
其他 | | () \ |
普通字符
匹配规则:每个普通字符匹配其对应的字符e.g. In : re.findall('ab',"abcdefabcd") Out: ['ab', 'ab']
注意:正则表达式在python中也可以匹配中文
或关系
元字符:|
匹配规则: 匹配 | 两侧任意的正则表达式即可e.g. In : re.findall('com|cn',"www.baidu.com/www.tmooc.cn") Out: ['com', 'cn']
匹配单个字符
元字符:.
匹配规则:匹配除换行外的任意一个字符e.g. In : re.findall('张.丰',"张三丰,张四丰,张五丰") Out: ['张三丰', '张四丰', '张五丰']
匹配字符集
元字符:[字符集]
匹配规则: 匹配字符集中的任意一个字符表达形式
[aeiou你我他] 表示 [] 中的任意一个字符
[0-9],[a-z],[A-Z] 表示区间内的任意一个字符
[_#?0-9a-z] 混合书写,一般区间表达写在后面e.g. In : re.findall('[aeiou]',"How are you!") Out: ['o', 'a', 'e', 'o', 'u']
匹配字符集反集
元字符:[^字符集]
匹配规则:匹配除了字符集以外的任意一个字符e.g. In : re.findall('[^0-9]',"Use 007 port") Out: ['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']
匹配字符重复
元字符:
*
匹配规则:匹配前面的字符出现0次或多次e.g. In : re.findall('wo*',"wooooo~~w!") Out: ['wooooo', 'w']
元字符:
+
匹配规则: 匹配前面的字符出现1次或多次。且采用贪婪原则,优先返回长的字符串。如果在其后加?
则放弃贪婪原则,直接返回最短匹配到的字符串。e.g. In : re.findall('[A-Z][a-z]+',"Hello World") Out: ['Hello', 'World']
元字符:
?
匹配规则: 匹配前面的字符出现0次或1次
e.g. 匹配整数 In [28]: re.findall('-?[0-9]+',"Jame,age:18, -26") Out[28]: ['18', '-26']
元字符:
{n}
匹配规则: 匹配前面的字符出现n次e.g. 匹配手机号码 In : re.findall('1[0-9]{10}',"Jame:13886495728") Out: ['13886495728']
元字符:
{m,n}
匹配规则: 匹配前面的字符出现m到n次。e.g. 匹配qq号 In : re.findall('[1-9][0-9]{5,10}',"Baron:1259296994") Out: ['1259296994']
匹配字符串开始位置
元字符:^
匹配规则:匹配目标字符串的开头位置e.g. In : re.findall('^Jame',"Jame,hello") Out: ['Jame']
匹配字符串的结束位置
元字符:$
匹配规则: 匹配目标字符串的结尾位置e.g. In : re.findall('Jame$',"Hi,Jame") Out: ['Jame']
规则技巧: ^
和$
必然出现在正则表达式的开头和结尾处。如果两者同时出现,则中间的部分必须匹配整个目标字符串的全部内容。
匹配任意(非)数字字符
元字符:\d
\D
匹配规则:\d
匹配任意数字字符,\D
匹配任意非数字字符e.g. 匹配端口 In : re.findall('\d{1,5}',"Mysql: 3306, http:80") Out: ['3306', '80']
匹配任意(非)普通字符
元字符:\w
\W
匹配规则:\w
匹配普通字符,\W
匹配非普通字符
说明: 普通字符指数字,字母,下划线,汉字。(可以提取公式里的数字)e.g. In : re.findall('\w+',"server_port = 8888") Out: ['server_port', '8888']
匹配任意(非)空字符
元字符:\s
\S
匹配规则:\s
匹配空字符,\S
匹配非空字符
说明:空字符指 空格\r \n \t \v \f
字符e.g. In : re.findall('\w+\s+\w+',"hello world") Out: ['hello world']
匹配(非)单词的边界位置
元字符:\b
\B
匹配规则:\b
表示单词边界,\B
表示非单词边界
说明:单词边界指数字字母(汉字)下划线与其他字符的交界位置。e.g. In : re.findall(r'\bis\b',"This is a test.") Out: ['is']
注意: 当元字符符号与Python字符串中转义字符冲突的情况则需要使用r将正则表达式字符串声明为原始字符串,如果不确定那些是Python字符串的转义字符,则可以在所有正则表达式前加r。
⭐️匹配规则
# 特殊符号匹配
result = re.findall(r'-?\d+\.?\d*',"-5.4 3.28 45 76.3 -21")
print(result)
# 贪婪
result = re.findall("ab+","abbbbbbbbbc")
print(result)
# 非贪婪 (懒惰模式) + --> +?
result = re.findall("ab+?","abbbbbbbbbc")
print(result)
# 子组
result = re.search("(ab)+","abababab")
result = re.search(r'(?P<xing>王|李)\w{1,3}', "王者荣耀")
print(result.group()) # 获取匹配内容
✨特殊字符匹配
- 目的 : 如果匹配的目标字符串中包含正则表达式特殊字符,则在表达式中元字符就想表示其本身含义时就需要进行转义处理。
- 特殊字符: . * + ? ^ $ [] () {} | \
- 操作方法:在正则表达式元字符前加 \ 则元字符就是去其特殊含义,就表示字符本身
e.g. 匹配特殊字符 . 时使用 \. 表示本身含义
In : re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")
Out: ['123', '-123', '1.23', '-1.23']
✨贪婪模式和非贪婪模式
-
定义
贪婪模式: 默认情况下,匹配重复的元字符总是尽可能多的向后匹配内容。比如: * + ? {m,n}
非贪婪模式(懒惰模式): 让匹配重复的元字符尽可能少的向后匹配内容。 -
贪婪模式转换为非贪婪模式
在对应的匹配重复的元字符后加 ‘?’ 号即可* -> *? + -> +? ? -> ?? {m,n} -> {m,n}?
e.g.
In : re.findall(r'\(.+?\)',"(abcd)efgh(higk)")
Out: ['(abcd)', '(higk)']
✨正则表达式分组
- 定义
在正则表达式中,以()建立正则表达式的内部分组,子组是正则表达式的一部分,可以作为内部整体操作对象。 - 作用 : 可以被作为整体操作,改变元字符的操作对象
e.g. 改变 +号 重复的对象
In : re.search(r'(ab)+',"ababababab").group()
Out: 'ababababab'
e.g. 改变 |号 操作对象
In : re.search(r'(王|李)\w{1,3}',"王者荣耀").group()
Out: '王者荣耀'
捕获组
捕获组本质也是一个子组,只不过拥有一个名称用以表达该子组的意义,这种有名称的子组即为捕获组。
格式:(?P<name>pattern)
e.g. 给子组命名为 "pig" In : re.search(r'(?P<pig>ab)+',"ababababab").group('pig') Out: 'ab'
注意事项
- 一个正则表达式中可以包含多个子组
- 子组可以嵌套但是不宜结构过于复杂
- 子组序列号一般从外到内,从左到右计数
✨正则表达式匹配原则
- 正确性,能够正确的匹配出目标字符串.
- 排他性,除了目标字符串之外尽可能少的匹配其他内容.
- 全面性,尽可能考虑到目标字符串的所有情况,不遗漏.
⭐️Python re模块使用
✨基础函数使用
re.findall(pattern,string)
功能: 根据正则表达式匹配目标字符串内容
参数: pattern 正则表达式
string 目标字符串
返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容
re.split(pattern,string,max)
功能: 使用正则表达式匹配内容,切割目标字符串
参数: pattern 正则表达式
string 目标字符串
max 最多切割几部分
返回值: 切割后的内容列表
re.sub(pattern,replace,string,count)
功能: 使用一个字符串替换正则表达式匹配到的内容
参数: pattern 正则表达式
replace 替换的字符串
string 目标字符串
count 最多替换几处,默认替换全部
返回值: 替换后的字符串
✨生成match对象
re.finditer(pattern,string)
功能: 根据正则表达式匹配目标字符串内容
参数: pattern 正则表达式
string 目标字符串
返回值: 匹配结果的**迭代器**
re.match(pattern,string)
功能:匹配某个目标字符串开始位置
参数:pattern 正则
string 目标字符串
返回值:匹配内容match object
re.search(pattern,string)
功能:匹配目标字符串第一个符合内容
参数:pattern 正则
string 目标字符串
返回值:匹配内容match object
✨match对象使用
- match.span() 获取匹配内容的起止位置
- match.group(n = 0)
功能:获取match对象匹配内容
参数:默认为0表示获取整个match对象内容,如果是序列号或者组名(捕获组)则表示获取对应子组内容。
返回值:匹配字符串