Python 文件介绍和正则表达式

Python 文件和正则表达式

文件

打开文件

      open 函数用来打开文件，常用模式有：

1. “r”：以只读方式打开文件。文件指针将会放在文件的开头。如果文件不存在，则报错。此种为打开文件的默认模式

2. “w”：以写入方式打开文件，清空文件内容并从头编辑；同时该文件不存在还会自动创建文件

3. “a”：以写入方式打开文件，文件指针放在文件末尾；同时该文件不存在还会自动创建文件

4. “r+”：以读写方式打开文件。文件指针将会放在文件的开头。如果文件不存在，则报错。

5. “w+”：以读写方式打开文件，清空文件内容并从头编辑；同时该文件不存在还会自动创建文件

6. “a+”：以读写方式打开文件，文件指针放在文件末尾；同时该文件不存在还会自动创建文件

读取文件

直接读取 read()：

fileName=r"./abc/test.txt"
with open(fileName,"r") as fileTxt:
    contents=fileTxt.read()
    print(contents)
    # print(contents.rstrp())  删除尾部空行

      文件路径：在 linux 中采用 / 来分隔， 在 windows 中采用 \ 来分隔，但是 \ 是一个转移字符，需要再采用一个 \ 来进行转义（“C:\\abc\\test.txt”），但在 python 中采用 r 标识一个字符串为一个原生字符串，不会对其中的转义字符进行转义(r"C:\abc\test.txt“)。稳妥起见，在 linux 的路径前也添加上 r。

      其中 with 关键字能够在不需要访问文件时，将文件自动关闭，既不需要调用 close() 方法了。当程序出现 bug 无法执行 close() 时，未能妥善地关闭文件可能会导致数据丢失或受损，而这是采用 with 关键字的一个重要原因。

      read() 用来读取文件，它将文件的全部内容当作一个长字符串保存在变量中。但是由于 read() 在 print 的时候会在末尾多打印一个空行，这是因为 read() 到达文件尾时返回一个空字符串，而这个空字符串显示出来就是一个空行，此时可以通过 rstrip() 来删除。

逐行读取

采用 for 循环：

fileName=r"./abc/test.txt"
with open(fileName,"r") as fileTxt:
    for line in fileTxt:
        print(line)
        # print(line.rstrip())    删除多余空行

      上面示例打印的时候也会多出一个空白行，这是因为在每行末尾都有一个换行符存在，而 print 本身也会加上一个换行符，所以就有了两个换行符啦，此时也需要通过 rstrip() 来消除这些多余的换行符。

采用 readlines()：

      在采用 with 关键字时，open 打开的文件对象只能在 with 代码块中可用。这有时候就不太方便了。而通过 readlines()，它从文件中读取每一行内容，并将它们存储在一个列表中，这个列表变量在之后的程序中可以被随时使用。

fileName=r"./abc/test.txt"
with open(fileName,"r") as fileTxt:
    lines=fileTxt.readlines()

for line in lines:
    print(line.rstrip())

正则表达式

匹配规则

单个字符：

1. \d ：匹配数字，即 0-9       如：'00\d'可以匹配'007'，但无法匹配'00A'

2. \D ：匹配非数字，即不是数字

3. \w ：匹配非特殊字符，即a-z、A-Z、0-9、汉字，常用的用来匹配字母和数字

4. \W ：匹配特殊字符，即非字母、非数字、非汉字

5. . ：匹配任意一个任意字符（除了\n）

6. \s ：匹配一个空白字符，即空格，tab键

7. \S ：匹配非空白字符

变长字符：

1. *：表示任意个字符（包括0个）       \d* 表示任意个数字

2. +：表示至少一个字符       \s+ 表示至少一个空白字符 \d+ …

3. ?：表示0个或1个字符

4. {n}：表示n个字符       \d{3}表示匹配3个数字，例如'010'

5. {n,m}：表示 n-m 个字符       \d{3,8}表示3-8个数字，例如'1234567'

6. [] ：匹配 [ ] 中列举的字符，常用来精确匹配，举例如下：

• 如[0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线（_是特殊字符，需要转义）

• [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如'a100'，'0_Z'，'Py3000'等等

• [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是 Python 合法的变量

• [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}匹配的变量长度是1-20个字符（前面1个，后面[0,19]）

其他字符：

1. ^表示行的开头，^\d表示必须以数字开头。

2. $表示行的结束，\d$表示必须以数字结束。

3. A|B可以匹配A或B，所以(P|p)ython可以匹配'Python'或者'python'。

      py也可以匹配'python'，但是加上^py$就变成了整行匹配，就只能匹配'py'了。

re 模块

match 方法：

      从字符串的起始位置开始匹配，如果匹配成功，就返回第一个对象。：

import re
m=re.match(r"^\d{3}[a-zA-Z]$","897y")
if(m):
    print("ok")
else:
    print("failed")

      上例匹配一个三个数字开头一个字母结尾的字符串，采用了 match 方法，如果匹配成功，返回第一个 Match 对象，否则返回 None。

---

search 方法

      工作方式与 match 类似，只是 search 从字符串的任意位置开始匹配，并返回第一个匹配的 Match 对象。区别在于：

n = re.search(r"bat|bae","eabat")  # 能找到 bat
n = re.match(r"bat|bae","eabat")  # 不能找到

group 方法

      通过在正则表达式中使用小括号()，来对匹配到的数据进行分组，然后通过group([n]) 和 groups()获取对应的分组数据。值得一提的是，group() 是 Match 类中的方法，其他的方法还包括 groups()，start()，end()，span() ，这些方法都是用于从匹配的字符串中（或者说是从 Match对象中）获取相关信息。

import re

m = re.match(r"([0-9]*)([a-z]*)([0-9]*)","123abc456")
print(m.group())        # 输出匹配的完整字符串:123abc456
print(m.group(0))        # 输出匹配的完整字符串:123abc456
print(m.group(1))        # 从匹配的字符串中获取第一个分组:123
print(m.group(2))        # 从匹配的字符串中获取第二个分组:abc
print(m.group(3))        # 从匹配的字符串中获取第三个分组:456

split 方法

      使用分隔符将字符串进行切割，将被切割后的子串以列表的形式返回。

      正常的采用空格分隔字符串的 split() 示例如下：

str="a b c"
s=str.split(" ")      # 返回 [”a”, ”b”, ”c”]

---

      采用正则表达式的 split 方法如下：它的功能更加强大

import re

s=re.split(r"\s+", "a b   c")  # 返回 [”a”, ”b”, ”c”]
s=re.split(r"[\s\,]+", "a,b, c  d")  # 返回 [”a”, ”b”, ”c”, ”d”]
s=re.split(r"[\s\,\;]+", "a,b;; c  d")  # 返回 [”a”, ”b”, ”c”, ”d”]
s = pattern.split(r"\d+", "abc23de3fgh") # 返回 [”abc”, ”de”, ”fgh”]

#分隔符加上小括号之后，返回的字符串列表会保留分隔符
s = pattern.split(r"(\d+)", "abc23de3fgh") 
# 返回 [“abc“, “23“, “de“, “3“, “fgh“]

编译：compile 方法

      在 Python 中使用正则表达式时，re 模块内部会干两件事情：

1. 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；

2. 用编译后的正则表达式去匹配字符串。

      如果一个正则表达式需要使用多次，出于效率的考虑，我们可以先预编译该正则表达式，这样后面直接使用就好啦。示例如下：

import re
reObj = re.compile(r"^(\d{3})-(\d{3,8})$")
s=reObj.match("010-45263")
print(s.group())   # 010-45263

      编译后生成 Regular Expression 对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。

---

其他方法的使用可参考：python字符串_Python字符串匹配6种方法的使用