正则表达式学习

0x00 元字符

元字符是构造正则表达式的一种基本元素

0x01 常用元字符

元字符	解释
.	匹配除换行符以外的任意字符
\d	匹配数字（等价于[0-9]）
\D	匹配非数字（等价于[^0-9]）
\w	匹配数字、字母、下划线（等价于[0-9a-zA-Z_]）
\W	匹配非数字字母下划线（等价于[^0-9a-zA-Z_]）
\b	匹配单词的开始或结束
\s	匹配空白字符（等价于[\f\n\r\t\v]）
\S	匹配非空白字符（等价于[^\f\n\r\t\v]）
^	匹配字符串的开始，放在模式中表示非
$	匹配字符串的结束

0x02空白元字符

元字符	解释
\f	换页符
\n	换行符
\t	制表符tab键
\r	回车符
\v	垂直制表符
[\b]	回退并删除一个字符

注：在windows中经常使用\r\n来匹配文本行结束，在linux中可以使用\n 来匹配文本行结束

匹配空白行的正则表达式可以用 **[\r]?[\n][\r]?[\n]**表示

0x03特殊进制

• 在正则表达式中十六进制需要用前缀\x来表示。

• 在正则表达式中八进制需要用前缀\0来表示。

0x10 重复匹配

0x11 匹配一个或多个

要想匹配同一个字符的多次重复，只要在字符后加上”+“作为后缀就可以了。”+“匹配至少一次。比如[a-z]+ 表示匹配一个或多个连续的字母。

比如匹配一个简单的邮箱格式

 	test = "adjaisdjasod test@126.com. aaa.123@234.com djaidjqojwijdioqjwjdoq test@126.aaa.com"
    content = re.findall(r'([\w.]+@[\w.]+\.\w+)', test)
    print(content)
['test@126.com', 'test@126.aaa.com']

上面的表达式有一个严重的问题，如果出现文本 .test@126.com我们的表达式会失效

0x12 匹配0个或多个

如果想匹配一个可有可无的字符，只要在字符后加上”*“作为后缀就可以了。

继续拿邮箱作为例子

    test = ".test@126.com."
    content = re.findall(r'(\w+[\w.]*@[\w.]+\.\w+)', test)
    print(content)

只需要将 . 字符变成一个可选就解决了上面所述的问题

0x13 匹配0个或1个

如果只想匹配0个或者1个字符，那么只需要在字符后加上“？”作为后缀就可以了。即 将贪婪的*+变成非贪婪，贪婪和非贪婪后面会总结。

比如我们想匹配一段html中的标签，如果只是用<.*> 就会变成贪婪匹配，即匹配了整个字符串。

    test = '<p>123123</p>'
    content = re.findall(r'(<.*>)', test)
    print(content)
['<p>123123</p>']

如果我们加上 ？ 将其变成非贪婪匹配，得到的就是单个标签了

    test = '<p>123123</p>'
    content = re.findall(r'(<.*?>)', test)
    print(content)
['<p>', '</p>']

0x14 匹配n次

正则表达式中重复次数的语法用元字符{}表示。

• 如果想为重复匹配次数设定一个精准的次数，可以用{n}表示。{n} 意味着模式里前一个字符必须在原始文本里连续出现n次。

  	test = 'aabbcc123456'
      content = re.findall(r'[a-z]{3}', test)
      print(content)
  ['aab', 'bcc']
  

  如果将上面的次数改为4次,

      test = 'aabbcc123456'