python——正则表达式

        正则表达式是对字符串操作的一种逻辑公式，就是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。

        正则表达式应用场景主要有爬虫、替换、文本搜索、提取和格式校验等。

一、正则表达式组成

        正则表达式的组成包括普通字符、元字符、预定义字符类、数量词、位置符、分组和反向引用等元素。这些元素结合在一起，能够形成复杂且灵活的匹配模式。通过python中内置模块re实现对正则表达式的使用，并将匹配结果以字符串的形式存入列表中。基本适用代码为：

import re

# 被匹配字符串
context = '怒发冲冠，凭栏处、潇潇雨歇。'
# 匹配规则为匹配任意字符
rule = '^怒发冲冠'
# 根据定义规则进行匹配
result = re.findall(rule, context)

1、普通字符：

        普通字符表示保持其字面含义的字符，例如’a’。

2、元字符：

        元字符用于构建复杂的匹配规则，常见的元字符有‘.’、‘^’、‘$’等。

元字符名称	说明
‘.’	用于匹配换行符以外的任意单个字符
‘^’	用于匹配字符串的开头。例如：'^421'
‘$’	用于匹配字符串的末尾。例如：'421$'
‘*’	用于匹配前面表达式0次或多次。如果匹配不上则返回空字符串（'’），而不是不返回任何值。例如：'1*'，会将被匹配字符串中的单一字逐一与规则匹配。
‘+’	用于匹配前面表达式1次或多次。如果匹配不上则不返回任何值（包括空字符串）。
‘？’	用于匹配前面表达式0次或1次。如果匹配不上则返回空字符串（'’），而不是不返回任何值。
‘[]’	此为字符集，用于匹配字符集中任意字符。例如：'[怒舅舅]'，只要这三个字任意一个匹配上即可。
‘|’	‘或’逻辑运算符，也称为管道符。如果使用管道符，则表达式会从左至右依次匹配，原理类似“匹配字符串将从原有字符串中剪切掉，供下一个规则进行匹配”。因此，需要将最复杂的规则放在最前面。
‘()’	分组符号，与‘[]’相对应
‘(?:)’	表示分组不捕获，与“()”最大的区别在于不存储匹配的子字符串
‘\b’	是一种位置符，表示“单词边界”（所谓单词边界指前面是中文或数字或字符或下划线（等价于\w），而后面是其他字符。反过来亦然。以及字符串的开头和结尾）。此方式能够精准获取想要的内容。例如：一段英文中精准获取word单词，而不是wording。

3、预定义字符类

        预定义字符类指简单的特殊字符等价于复杂的表达式，但是在使用时需要注意将‘\’转义。具体如下：

预定义字符类	说明
‘\d’	等价于‘[0-9]’，表示匹配由数字组成的1个或多个字符长度的字符串。
‘\D’	表示匹配由非数字组成的1个或多个字符长度的字符串。
‘\w’	等价于'[\u4e00-\u9fa5a-zA-Z0-9_]'，表示匹配任意字母、数字、中文和_
‘\W’	表示匹配非任意字母、数字、中文和_
‘\s’	表示匹配任意空白字符，包括空格、制表符、换行符等。
‘\S’	表示匹配非任意空白字符

4、数量词

数量词	说明
‘{n}’	匹配恰好n次。如果匹配不上则不返回任何值
‘{n,}’	匹配至少n次。
‘{n,m}’	匹配至少n次，至多m次。

二、实例

验证邮箱

import re

with open('./context.txt', mode = 'r', encoding='utf-8') as file:
    # 被匹配字符串
    context = file.read()
    # 匹配规则为匹配任意字符
    # rule = '[\u4e00-\u9fa5a-zA-Z0-9_]+'
    rule0 = '\\w@(163|qq)\\.com'
    rule = '\\w+@(?:163|qq)\\.com' # 仅验证规则，不捕获
    result0 = re.findall(rule0, context)
    result = re.findall(rule, context)
    print(result0)
    print(result)
# 使用捕获输出结果：['163', 'qq']
# 使用不捕获输出结果：['L15151953421@163.com', '12345678@qq.com']