⼀. 正则表达式
正则表达式,一个让人爱恨难分的东西,会的人,希望所有代码都是用正则表达。不懂的人,会想世界上怎么会有这种语言。但是有些地方使用正则的确是方便,例如,验证手机号,邮箱身份证等。再加以扩展,还可以做爬虫。开始学起来(http://tool.chinaz.com/regex/ 可以去这个网站,进行测试,看看自己写的正则对不对)。
1. 字符组
字符组很简单⽤[]括起来. 在[]中出现的内容会被匹配. 例如:[abc] 匹配a或b或c如果字符组中的内容过多还可以使⽤- , 例如: [a-z] 匹配a到z之间的所有字⺟ [0-9]匹配所有阿拉伯数字。
思考: [a-zA-Z0-9]匹配的是什么?
2. 简单元字符
基本的元字符. 这个东⻄⽹上⼀搜⼀⼤堆. 但是常⽤的就那么⼏个:
. 匹配除换⾏符以外的任意字符
\w 匹配字⺟或数字或下划线
\s 匹配任意的空⽩符
\d 匹配数字
\n 匹配⼀个换⾏符
\t 匹配⼀个制表符
\b 匹配⼀个单词的结尾
^ 匹配字符串的开始
$ 匹配字符串的结尾
\W 匹配⾮字⺟或数字或下划线
\D 匹配⾮数字
\S 匹配⾮空⽩符
a|b 匹配字符a或字符b
() 匹配括号内的表达式,也表示⼀个组
[...] 匹配字符组中的字符
[^...] 匹配除了字符组中字符
3. 量词
我们到⽬前匹配的所有内容都是单⼀⽂字符号. 那如何⼀次性匹配很多个字符呢,我们要⽤到量词
* 重复零次或更多次
+ 重复⼀次或更多次
? 重复零次或⼀次
{n} 重复n次
{n,} 重复n次或更多次
{n,m} 重复n到m次
4. 惰性匹配和贪婪匹配
在量词中的*, +,{} 都属于贪婪匹配. 就是尽可能多的匹配到结果.
上面就是在chinaz上验证的结果,正则表达式是:”he.*?,”,这个表达式的意思是,he开始,然后点表示不管是啥都要,接着是*,表示尽可能多的选择,接着是?,表示的是,尽可能少的选择,最后要以“,”结束,如果没有这个逗号,那么选择后的结果就是he了。可以尝试一下。
(1).*表示的就是贪婪匹配,要尽可能多的匹配
(2).*?表示的就是惰性匹配,尽可能少的匹配
5. 分组
在正则中使⽤()进⾏分组. 比如. 我们要匹配⼀个相对复杂的⾝份证号. ⾝份证号分成两种. 老的⾝份证号有15位. 新的⾝份证号有18位. 并且新的⾝份证号结尾有可能是x.看一个正 则表达式:
^([1-9]\d{16}[0-9x]|[1-9]\d{14})$
6. 转义
在正则表达式中, 有很多有特殊意义的是元字符, ⽐如\n和\s等,如果要在正则中匹配正常的"\n"⽽不是"换⾏符"就需要对"\"进⾏转义, 变成'\\'.在python中, ⽆论是正则表达式, 还
是待匹配的内容, 都是以字符串的形式出现的, 在字符串中\也有特殊的含义, 本身还需要转义. 所以如果匹配⼀次"\n", 字符串中要写成'\\n', 那么正则⾥就要写成
⼆. re模块
re模块是python提供的⼀套关于处理正则表达式的模块. 核⼼功能有四个:
1. findall 查找所有. 返回list
lst = re.findall("m", "mai le fo leng")
print(lst) # ['m']
lst = re.findall(r"\d+", "5点之前. 你要写完5000字")
print(lst) # ['5', '5000']
2. search 会进⾏匹配. 如果匹配到了第⼀个结果. 就会返回这个结果. 如果匹配不上,search返回的则是None。
ret = re.search(r'\d', '5点之前. 你要写完5000字').group()
print(ret) # 5
3. match 只能从字符串的开头进⾏匹配
ret = re.match('a', 'abc').group()
print(ret) # a
4.finditer 和findall差不多. 只不过这时返回的是迭代器
it = re.finditer("m", "mai le fo leng")
for el in it:
print(el.group()) # 依然需要分组
5.其他操作
ret = re.split('[ab]', 'qwerafjbcd') # 先按'a'分割得到'qwer'和'fjbcd',在对'qwer'和'fjbcd'分别按'b'分割
print(ret) # ['qwer', 'fj', 'cd']
ret = re.sub(r"\d+", "_sd_", "aaa250bbb250ccc250ddd38") # 把字符串中的数字换成__sd__
print(ret) # aaa_sd_bbb_sd_ccc_sd_ddd_sd_
ret = re.subn(r"\d+", "_sd_", "aaa250bbb250ccc250ddd38") # 将数字替换成'__sd__',返回元组(替换的结果,替换了多少次)
print(ret) # ('aaa_sd_bbb_sd_ccc_sd_ddd_sd_', 4)
obj = re.compile(r'\d{3}') # 将正则表达式编译成为⼀个 正则表达式对象, 规则要匹配的是3个数字
ret = obj.search('abc123eeee') # 正则表达式对象调⽤search, 参数为待匹配的字符串
print(ret.group()) # 结果: 123
6. 两个坑
注意: 在re模块中和我们在线测试⼯具中的结果可能是不⼀样的.
ret = re.findall('www.(baidu|abc).com', 'www.abccom')
print(ret) # ['abc'] 这是因为findall会优先把匹配结果组⾥内容返回,如果想要匹配结果,取消权限即可
ret = re.findall('www.(?:baidu|abc).com', 'www.abc.com')
print(ret) # ['www.abc.com']
这里的“?:”作用是,取消单独获取某些匹配的内容的权限。其实,如果没有必要,可以直接把“baidu|abc”外层的小括号去掉即可。之所以有这个的存在,也是有道理的。看下面的图:
在最上面的正则表达式中,(2)处会跟着(1)的变化而变化,某种情况下(1)这里不需要了,所以就用“?:”给屏蔽掉。