正则表达式匹配原则

正则表达式匹配原则：

1.正确性,能够正确的匹配出目标字符串.
2.排他性,除了目标字符串之外尽可能少的匹配其他内容.
3.全面性,尽可能考虑到目标字符串的所有情况,不遗漏.

一、匹配字符：

1. 普通字符
   匹配规则：每个普通字符匹配其对应的字符
   In : re.findall(‘ab’,“abcdefabcd”)
   Out: [‘ab’, ‘ab’]

2. 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
   In : re.findall(‘张.丰’,“张三丰,张四丰,张五丰”)
   Out: [‘张三丰’, ‘张四丰’, ‘张五丰’]

3. 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:
   [abc#!好] 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

4. 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
   In : re.findall(‘[^0-9]’,“Use 007 port”)
   Out: [‘U’, ‘s’, ‘e’, ’ ', ’ ', ‘p’, ‘o’, ‘r’, ‘t’]

5. 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
   In : re.findall(‘\d{1,5}’,“Mysql: 3306, http:80”)
   Out: [‘3306’, ‘80’

6. 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。
   In : re.findall(‘\w+’,“server_port = 8888”)
   Out: [‘server_port’, ‘8888’]

7. 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
   In : re.findall(‘\w+\s+\w+’,“hello world”)
   Out: [‘hello world’]

二、匹配位置

1. 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
   In : re.findall(‘^Jame’,“Jame,hello”)
   Out: [‘Jame’]

2. 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
   In : re.findall(‘Jame$’,“Hi,Jame”)
   Out: [‘Jame’]

3. 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。
   In : re.findall(r’\bis\b’,“This is a test.”)
   Out: [‘is’]

三、匹配重复

元字符: *
匹配规则：匹配前面的字符出现0次或多次
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
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
In: re.findall(‘-?[0-9]+’,“Jame,age:18, -26”)
Out: [‘18’, ‘-26’]

元字符：{n}
匹配规则： 匹配前面的字符出现n次
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-n次
In : re.findall(‘[1-9][0-9]{5,10}’,“Baron:1259296994”)
Out: [‘1259296994’]

四、其他

1. 或关系
   元字符: |
   匹配规则: 匹配 | 两侧任意的正则表达式即可
   In : re.findall(‘com|cn’,“www.baidu.com/www.tmooc.cn”)
   Out: [‘com’, ‘cn’]

2. 正则表达式的转义
   2.1如果使用正则表达式匹配特殊字符则需要加 \ 表示转义。
   特殊字符: . * + ? ^ $ [] () {} |
   2.2在编程语言中，常使用原生字符r串书写正则表达式避免多重转义的麻烦。

3. 贪婪模式和非贪婪模式
   贪婪模式转换为非贪婪模式：在匹配重复元字符后加 ‘?’ 号即可
   * : *?

   + : +?

   ? : ??

   {m,n} : {m,n}?

五、正则表达式分组

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。

捕获组：
可以给正则表达式的子组起一个名字，表达该子组的意义。这种有名称的子组即为捕获组。
格式：(?Ppattern)
e.g. 给子组命名为 “pig”
In : re.search(r’(?Pab)+',“ababababab”).group(‘pig’)
Out: ‘ab’

re模塊常量

• re.IGNORECASE: 进行忽略大小写匹配。
• re.ASCII: 匹配ASCII编码支持的字符
• re.DOTALL: .匹配所有，包括换行符\n
• re. MULTILINE: 多行模式
• re.VERBOSE: 详细模式，可以在正则表达式中加注解！

re模塊函數

• 查找一個匹配項

  返回值都是一个 匹配对象Match ，需要通过match.group() 获取匹配值

  • search： 查找任意位置的匹配项
  • match： 必须从字符串开头匹配
  • fullmatch： 整个字符串与正则完全匹配

• 查找多個匹配項

  如果可能存在大量的匹配项的话，建议使用finditer函数，一般情况使用findall函数基本没啥影响。

  • findall： 从字符串任意位置查找，返回一个列表
  • finditer：从字符串任意位置查找，返回一个迭代器

• 替換

  re.sub(pattern, repl, string, count=0, flags=0) 函数参数讲解：repl替换掉string中被pattern匹配的字符， count表示最大替换次数，flags表示正则表达式的常量。

• 編譯正則對象

  compile函数将正则表达式的样式编译为一个 正则表达式对象 （正则对象Pattern），这个对象与re模块有同样的正则函数

  import re
  text = 'xxx'
  pattern = r'xxx'
  pattern_obj = re.compile(pattern)
  pattern_obj.search(text).group()
  

注意事項

• 字節串與字符串

  模式和被搜索的字符串既可以是 Unicode 字符串 (str) ，也可以是8位字节串 (bytes)。 但是，Unicode 字符串与8位字节串不能混用！

• r的作用

  正则表达式使用反斜杠（‘’）来表示特殊形式，或者把特殊字符转义成普通字符。

  而反斜杠在普通的 Python 字符串里也有相同的作用，所以就产生了冲突。

  解决办法是对于正则表达式样式使用 Python 的原始字符串表示法；在带有 ‘r’ 前缀的字符串字面值中，反斜杠不必做任何特殊处理。

• 重複使用某個正則

  如果要重复使用某个正则表达式，推荐先使用 re.compile(pattern)函数 返回一个正则对象，然后复用这个正则对象，这样会更快！