正则表达式（一）—— 基本介绍

        正则表达式在很多任务中都担任重要的角色，例如网络爬虫中我们需要筛选出相应的信息，在nlp中我们需要结构化数据，在数据挖掘中我们需要清洗脏数据，这些任务都会用到正则表达式。本文就简单的介绍正则表达式的基本操作，下一篇博客，我会自己维护一个正则表达式，将自己接触到的一些正则抛出来，供自己和有需要者参考。

       下面我会介绍，python中正则表达式的一些操作，主要是match函数、search函数、sub函数、complie函数、findall函数。

---

一、re.match        

        re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

        re.match(pattern, string, flags) 

• pattern：匹配的正则表达式
• string：要匹配的字符串
• flags：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，多行匹配等等

        我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。

1. group(num=0)： 匹配的整个表达式的字符串，group() 可一次输入多个组号，它将返回一个包含那些组所对应值的元组。 
2. groups()：返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。

import re

line = "Cats are smarter than dogs"

# re.I 使匹配对大小写不敏感
# re.M 多行匹配
matchObj = re.match(r'(.*) are (.*?) .*', line, re.M|re.I)

# group()返回全部的字符串 Cats are smarter than dogs
# group(1)返回groups()元组的第一个元素
# group(2)返回groups()元组的第二个元素
# gropus()返回的是一个元组 ('Cats', 'smarter')
if matchObj:
    print("matchObj.group() : ", matchObj.group())
    print("matchObj.group(1) : ", matchObj.group(1))
    print("matchObj.group(2) : ", matchObj.group(2))
    print("matchObj.groups() : ", matchObj.groups())
else:
    print("No match!!")

二、re.research

        re.search 扫描整个字符串并返回第一个成功的匹配。

        re.search(pattern, string, flags=0)

• pattern：匹配的正则表达式
• string：要匹配的字符串
• flags：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，多行匹配等等

        re.search和re.match的区别在于，match是从第一个字符开始匹配，而search是匹配整个字符串直到找到符合的匹配。

import re

# None，因为com不在起始位置匹配
print(re.match('com', 'www.runoob.com'))   

# (11, 14)，因为是遍历整个字符串进行匹配
print(re.search('com', 'www.runoob.com').span())    

三、re.sub

        re.sub用于替换字符串中的匹配项。

        re.sub(pattern, repl, string, count=0, flags=0)

• pattern：正则中的模式字符串
• repl：替换的字符串，也可为一个函数
• string : 要被查找替换的原始字符串
• count : 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配
• flags：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，多行匹配等等

import re

phone = "2004-959-559"

# 删除非数字(-)的字符串
num = re.sub('-', "", phone)
print("电话号码是 : ", num)

四、re.compile

        re.compile用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。

        re.compile(pattern, flags)

• pattern：匹配的正则表达式
• flags：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，多行匹配等等

import re
pattern = re.compile(r'com', re.I)

a = pattern.match('www.runoob.com')
print(a)

b = pattern.search('www.runoob.com').span()
print(b)

五、re.findall

        re.findall在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。需要注意的是re.search和re.match只匹配一次，而re.findall匹配所有。

         re.findall(string, pos, endpos)

• string：待匹配的字符串
• pos：可选参数，指定字符串的起始位置，默认为 0
• endpos：可选参数，指定字符串的结束位置，默认为字符串的长度

import re
pattern = re.compile(r'\d+')   # 查找数字
result = pattern.findall('run88oob123google456', 0, 10)
print(result)

更多信息可参考：链接​​​​​​​