python正则表达式（上）

正则表达式

• 概念 —— 是对字符串操作的一种逻辑公式，用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑
• 应用场景
  1. 表单验证（如：邮箱、手机号、身份证…）
  2. 爬虫
• 正则表达式库 —— re模块
• 用法：
  import re

方法

match方法

• 用法：
  re.match(pattern, string, flags=0)
  pattern是正则表达式的模板
  string是表示要匹配的数据
  flags是标志位，用于控制正则表达式的匹配方式。如：是否区分大小写、是否多行匹配等
  • 如果匹配成功返回match对象，否则返回一个None
  • 只匹配从头开始的数据，否则返回None

元字符

字符	含义
.	表示匹配除换行符外的任意字符。通过设置re . DOTALL标志可以使用（.）匹配任何字符（包含换行符）
|	A|B，表示匹配正则表达式A或者B
^	匹配输入字符串的开始位置，如果设置了re . MULTILINE标志，^ 也匹配换行符之后的位置。如果在中括号（[ ]）中 ^ 表示取反的意思。
$	匹配输入字符串的结束位置。如果设置了re **.**MULTILINE标志，$也匹配换行符之前的位置。
\	1、将一个普通字符变成特殊字符，如：\d表示匹配所有十进制数字。2、解除元字符的特殊功能，如：\. 表示匹配点号本身。3、引用序号对应的子组所匹配的字符串。
[…]	1、字符类，匹配所包含的任意一个字符。2、连字符（-），如果出现在字符串中间表示字符范围描述；如果出现在首位则作为普通字符。3、特殊字符仅有反斜杠（\）保持特殊含义，用于转义字符；其他特殊字符，如*、+、？等均作为普通字符匹配。4、脱字符（^）如果出现在首位则表示匹配不包含其中的任意字符；如果出现在字符串中间则仅作为普通字符匹配。
{M,N}	M和N均为非负整数，其中M<=N，表示前面的RE匹配M ~ N次。{M,}表示至少匹配M次；{,N}等价于{0,N}；{N}表示需要匹配N次。
*	匹配前面的子表达式零次或多次，等价于{0,}
+	匹配前面的子表达式一次或多次，等价于{1,}
?	匹配前面的子表达式零次或一次，等价于{0,1}
(…)	匹配小括号中的正则表达式，或者指定一个子组的开始和结束位置。注：子组的内容可以在匹配之后被‘\数字’再次引用，如：(\w+)\1会匹配字符串‘switch switch.com’中的’switch switch’（有空格）

• . 字符 —— 表示除换行符以外的任意字符

re.match(r'a.c','abc').group()	# 'abc'
re.match(r'a.c','a9c').group()	# 'a9c'
re.match(r'a.c','a\tc').group()	# 'a\tc'
re.match(r'a.c','a\nc').group()	# AttributeError: 'NoneType' object has no attribute 'group'

• | 字符 —— 逻辑或操作符

re.match(r'a|c','abc').group()	# 'a'
re.match(r'a|c','cab').group()	# 'c'
re.match(r'a|c','bca').group()	# AttributeError: 'NoneType' object has no attribute 'group'

• [ ] —— 匹配字符集中的一个字符

re.match(r'[abc]','cba').group()	# 'c'
re.match(r'[abc]','bac').group()	# 'b'
re.match(r'[abc]2','a2').group()	# 'a2'
re.match(r'哈利波特[1234567]','哈利波特3').group()	# '哈利波特3'
# 连字符（-）
re.match(r'哈利波特[1-7]','哈利波特6').group()		# '哈利波特6'
re.match(r'哈利波特[1-7]','哈利波特8').group()		# AttributeError: 'NoneType' object has no attribute 'group'
# 脱字符（^）取反
re.match(r'哈利波特[^1-7]','哈利波特8').group()		# '哈利波特8'
re.match(r'哈利波特[^1-7]','哈利波特\n').group()		# '哈利波特\n'
# 转义符（\）
re.match(r'哈利\.波特','哈利.波特').group()			# '哈利.波特'

• ()子组开始和结束的位置

re.match(r'(([0-1]{0,1}\d{0,1}\d|2[0-4]\d|25[0-5])\.){3}([0-1]{0,1}\d{0,1}\d|2[0-4]\d|25[0-5])','192.168.1.1 = IP Addr').group()
# '192.168.1.1'

• {}字符 —— 重复字符

re.match(r'a{3}','aaabbb').group()		# 'aaa'
re.match(r'a{3}','ababab').group()		# AttributeError: 'NoneType' object has no attribute 'group'
re.match(r'a{1,3}','ababab').group()	# 'a'
re.match(r'a{1,3}','aabbab').group()	# 'aa'
re.match(r'a{1,3}','aaabbb').group()	# 'aaa'

• * 字符 —— 匹配前面的子表达式零次或多次

re.match(r'a*','ababab').group()	# 'a'
re.match(r'a*','aaabbb').group()	# 'aaa'
re.match(r'a[b-z]*','abcdef').group()	# 'abcdef'
re.match(r'a[b-z]*','aabbcc').group()	# 'a'

• + 字符 —— 匹配前面的子表达式一次或多次

re.match(r'a[b-z]+','abcdef').group()	# 'abcdef'
re.match(r'a[b-z]+','aabbcc').group()	# AttributeError: 'NoneType' object has no attribute 'group'
re.match(r'a[b-z]+','ababab').group()	# 'ab'

• ? 字符 —— 匹配前面的子表达式零次或一次

re.match(r'a[b-z]?','abcdef').group()	# 'ab'
re.match(r'a[b-z]?','a1').group()		# 'a'

• $ 字符 —— 结尾字符

re.match(r'\w+@qq.com','1234@qq.com.cn').group()	# '1234@qq.com'
re.match(r'\w+@qq.com$','1234@qq.com.cn').group()	# AttributeError: 'NoneType' object has no attribute 'group'
re.match(r'\w+@qq.com$','139@qq.com').group()		# '139@qq.com'

• ^ 字符 —— 开头字符

re.search(r'hero','I am a hero.').group()		# 'hero'
re.search(r'^hero','I am a hero.').group()		# AttributeError: 'NoneType' object has no attribute 'group'
re.search(r'^hero','hero is me.').group()		# 'hero'

预定义字符集

字符	含义
\d	任意一个数字，0~9中的任意一个
\w	任意一个字母或数字或下划线，也就是A~Z，a~z，0~9和_中的任意一个
\s	空格、制表符、换行符等空白字符的其中任意一个
\D	\d的反集，也就是非数字的任意一个字符，等同于[^\d]
\W	\w的反集，等同于[^\w]
\S	\s的反集，等同于[^\s]
\A	匹配输入字符串的开始位置
\Z	匹配输入字符串的结束位置

• \d 字符

re.match(r'\d','139').group()	# '1'
re.match(r'\d','a139').group()	# AttributeError: 'NoneType' object has no attribute 'group'

• \w 字符

re.match(r'\w','abc').group()	# 'a'
re.match(r'\w','987').group()	# '9'
re.match(r'\w','_hero').group()	# '_'
re.match(r'\w','Hero').group()	# 'H'
re.match(r'\w','#abc').group()	# AttributeError: 'NoneType' object has no attribute 'group'

• \s 字符

re.match(r'\s', ' ').group()	# ' '
re.match(r'\s', '\t').group()	# '\t'
re.match(r'\s', '\n').group()	# '\n'

• \D \W \S 字符

re.match(r'\D',' ').group()		# ' '
re.match(r'\D','Hero').group()	# 'H'
re.match(r'\W','@surprise').group()	# '@'
re.match(r'\S','Number').group()	# 'N'	

贪婪与非贪婪模式

字符	含义
*?,+?,??	默认情况下，*、+和？的匹配模式是贪婪模式（即会尽可能多的匹配符合规则的字符串）；*?、+?和??表示启用非贪婪模式。如字符串‘switchhh’，正则表达式switch+会匹配整个字符串，而switch+?则匹配’switch’
{M,N}?	启用非贪婪模式，即只匹配M次

• 最常用的非贪婪模式（.*?)

re.match(r'<div>.*</div>','<div>abc</div><div>bcd</div>').group()	# '<div>abc</div><div>bcd</div>'
re.match(r'<div>.*?</div>','<div>abc</div><div>bcd</div>').group()	# '<div>abc</div>'