python小白必备正则表达式知识

最近使用python正则进行数据清洗，发现背书后长久没有实践尽然忘的一干二净，于是乎计划写这样一个汇总性的小文记录一下基本知识，待下次忘记了，用来回顾。

正则是啥？

我现在的理解是使用一些通用的标识符构成一串匹配规则或者模式，用于识别字符串中满足该模式的所有子字符串。作用就是通用性，正则表达式可以看作一类字符串的抽象或者总结。

正则表达式用

目前，个人常用来进行数据清洗，特殊字符串识别比如说网址 balabala…

正则表达式基本知识

(元)字符：{ \d : 数字， \w : 字符（字母、数字、下划线), a-z（A-Z）: 字母a-z （A-Z）, ^ : 字符串开头, $ : 字符串结, + : 字符重复一次或者多次, . : 任意字符, * : 字符重复0次或者多次, ？ : 字符重复0次或者一次, [a-z] : a到z中任意一个字符, [a-z]{n, m} : 字母a-z连续出现n到m次（n， n+1 …m次都行），[^a-z] ：非a-z中任意字符，\b: 单词边界， \s ：空白符（空格，制表符、换页符、换行符 等），? ：将贪婪的匹配模式改变为非贪婪模式}

备注：

• +（大写字符） 通常表示+（小些字符)的补集。比如\d表示任意数字，\D则表示任意非数字，等价于[^\d] or [^0-9]；

• python通过\来实现字符转义，比如要匹配文本中的，需要使用r"*"

• 中文[u4e00-u9fa5]

正则深入知识

• 分支条件:指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|（竖线）把不同的规则分隔开.分支条件在匹配的时候，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了；每个分支语句的划分是以开始符、括号、|开开始，以最近的结束符、括号或者|结束。

• 分组：用小括号来指定子表达式

  IP地址匹配正则：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

• 捕获组，捕获组可以通过从左到右计算其开括号来编号。组0始终代表整个表达式。

  0 (A)(B(C))
  
  1 (A)
  
  2 (B(C))
  
  3 (C)
  

• 反向引用（back引用），说在后面的表达式中我们可以使用组的编号来引用前面的表达式所捕获到的文本序列。反向引用，引用的是前面捕获组中的文本而不是正则，也就是说反向引用处匹配的文本应和前面捕获组中的文本相同，这一点很重要。

  【例】(["']).*\1

  其中使用了分组，\1就是对引号这个分组的引用，它匹配包含在两个引号或者两个单引号中的所有字符串，如，”abc” 或 ” ’ ” 或 ’ ” ’ ，但是请注意，它并不会对” a’或者 ‘a”匹配。原因上面已经说明，Back引用只是引用文本而不是表达式。

• 非捕获组，以 (?) 开头的组是纯的非捕获 组，它不捕获文本 ，也不针对组合计进行计数。

  • (?=X ) 零宽度正先行断言。仅当子表达式 X 在 此位置的右侧匹配时才继续匹配。也就是说要使此零宽度断言起到我们想要的效果的话，就必须把这个非捕获组放在整个表达式的右侧。
    例如，/w+(?=/d) 与后跟数字的单词匹配，而不与该数字匹配。此构造不会回溯。

  • (?!X) 零宽度负先行断言。仅当子表达式 X 不在 此位置的右侧匹配时才继续匹配。
    例如，/w+(?!/d) 与后不跟数字的单词匹配，而不与该数字匹配 。

  • (?<=X) 零宽度正后发断言。仅当子表达式 X 在 此位置的左侧匹配时才继续匹配。
    例如，(?<=19)99 与跟在 19 后面的 99 的实例匹配。此构造不会回溯。

  • (?<!X) 零宽度负后发断言。仅当子表达式 X 不在此位置的左侧匹配时才继续匹配

    【例1】正则表达式(?<\!4)56(?=9) 含义：匹配后面的文本56前面不能是4，后面必须是9组成。因此，可以匹配如下文本 5569 ，与4569不匹配。

参考:

• https://www.jianshu.com/p/4f258d81ff4c

• https://blog.csdn.net/zx48822821/article/details/80743997

• https://www.cnblogs.com/kevin-yuan/archive/2012/11/11/2765340.html