【Python高阶技巧】正则表达式

一、正则表达式
二、正则表达式三个基础方法、re模块的基础使用
三、元字符匹配、字符串的r标记

一、正则表达式

正则表达式是一种用于匹配字符串模式的表达式。它提供了一种灵活、强大的文本匹配和搜索的方法。正则表达式通常由字符和特殊字符组成，用于描述字符串的特定模式。

以下是正则表达式的基本概念和语法：

1. 普通字符： 匹配与其自身相同的字符，例如字母、数字、空格等。

2. 元字符： 具有特殊含义的字符，例如 .、*、+、?、^、$ 等。

3. 字符类： 使用方括号 [] 表示，匹配其中任意一个字符。例如，[aeiou] 匹配任意一个元音字母。

4. 反义字符类： 使用 [^] 表示，匹配除括号内字符之外的任意一个字符。例如，[^0-9] 匹配任意一个非数字字符。

5. 预定义字符类： 匹配常见的字符类，例如 \d 匹配数字，\w 匹配单词字符，\s 匹配空白字符。

6. 数量词： 用于指定匹配的次数，例如 * 表示零次或多次，+ 表示一次或多次，? 表示零次或一次，{n} 表示恰好 n 次，{n,} 表示至少 n 次，{n,m} 表示 n 到 m 次。

7. 转义字符： 使用反斜杠 \ 进行转义，将其后的字符视为普通字符。例如，\. 匹配实际的点字符。

8. 分组和捕获： 使用圆括号 () 进行分组，形成子表达式。分组可以用于应用数量词，或者在匹配时捕获匹配的内容。

9. 反向引用： 在正则表达式中引用之前捕获的内容。例如，(a)\1 匹配两个连续的字母 “aa”。

10. 锚点： 用于指定匹配的位置，例如 ^ 表示字符串的开头，$ 表示字符串的结尾。

正则表达式可以在不同编程语言和文本编辑器中使用，例如在Python、JavaScript、Java、C#等中都有内置的正则表达式支持。它们在文本处理、数据提取、验证输入等方面都有广泛应用。

二、正则表达式三个基础方法、re模块的基础使用

正则表达式

正则表达式，又称规则表达式（Regular Expression），是使用单个字符串来描述、匹配某个句法规则的字符串，常被用来检索、替换那些符合某个模式（规则）的文本。

简单来说，正则表达式就是使用：字符串定义规则，并通过规则去验证字符串是否匹配。
比如，验证一个字符串是否是符合条件的电子邮箱地址，只需要配置好正则规则，即可匹配任意邮箱。
比如通过正则规则： ( ^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$) 即可匹配一个字符串是否是标准邮箱格式

 ^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$

但如果不使用正则，使用if else来对字符串做判断就非常困难了。

re模块的基础使用

在Python中，re 模块提供了正则表达式的支持，用于进行字符串匹配、搜索和替换。以下是 re 模块的一些基础用法：

1. 导入模块：

import re

2. 使用 re.search 进行匹配：

pattern = r"hello"
text = "Hello, World! This is a hello message."

match = re.search(pattern, text)

if match:
    print("Pattern found:", match.group())
else:
    print("Pattern not found.")

3. 使用 re.match 进行匹配：

pattern = r"Hello"
text = "Hello, World! This is a hello message."

match = re.match(pattern, text)

if match:
    print("Pattern found at the beginning:", match.group())
else:
    print("Pattern not found at the beginning.")

4. 使用 re.findall 进行全局匹配：

pattern = r"hello"
text = "Hello, World! This is a hello message. Say hello!"

matches = re.findall(pattern, text)

if matches:
    print("Patterns found:", matches)
else:
    print("Pattern not found.")

5. 使用 re.finditer 进行迭代匹配：

pattern = r"hello"
text = "Hello, World! This is a hello message. Say hello!"

matches = re.finditer(pattern, text)

for match in matches:
    print("Pattern found at index", match.start())

6. 使用 re.sub 进行替换：

pattern = r"hello"
text = "Hello, World! This is a hello message. Say hello!"

replacement = "hi"

new_text = re.sub(pattern, replacement, text)

print("Original text:", text)
print("Modified text:", new_text)

这些示例演示了 re 模块中一些常用函数的基本用法。在使用正则表达式时，可以根据具体的匹配需求选择合适的函数。正则表达式的语法和规则更加复杂，可以根据需要深入学习和使用。

match方法

search方法

findall方法

代码

"""
演示Python正则表达式re模块的3个基础匹配方法
"""
import re

s = "1python itheima python python"

# match 从头匹配
result = re.match("python", s)
print(result)
# print(result.span())
# print(result.group())

# search 搜索匹配
result = re.search("python2", s)
print(result)

# findall 搜索全部匹配
result = re.findall("python", s)
print(result)

总结

1. 什么是正则表达式
   是一种字符串验证的规则，通过特殊的字符串组合来确立规则
   用规则去匹配字符串是否满足
   如(^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$)可以表示为一个标准邮箱的格式
2. re模块的三个主要方法
   • re.match，从头开始匹配，匹配第一个命中项
   • re.search，全局匹配，匹配第一个命中项
   • re.findall，全局匹配，匹配全部命中项

三、元字符匹配、字符串的r标记

正则表达式的各类元字符规则

在正则表达式中，元字符是具有特殊含义的字符，它们用于构建模式以匹配字符串。以下是一些常用的元字符和它们的匹配规则：

1. .（点）：匹配任意字符（除了换行符 \n）。

   pattern = r"b.t"
   text = "bat, bet, bit, bot, but"
   
   matches = re.findall(pattern, text)
   print(matches)
   # Output: ['bat', 'bet', 'bit', 'bot', 'but']
   

2. ^：匹配字符串的开头。

   pattern = r"^Hello"
   text = "Hello, World! This is a greeting."
   
   match = re.search(pattern, text)
   if match:
       print("Pattern found at the beginning.")
   else:
       print("Pattern not found at the beginning.")
   

3. $：匹配字符串的结尾。

   pattern = r"message$"
   text = "This is a simple message"
   
   match = re.search(pattern, text)
   if match:
       print("Pattern found at the end.")
   else:
       print("Pattern not found at the end.")
   

4. *：匹配前一个字符零次或多次。

   pattern = r"go*gle"
   texts = ["ggle", "gogle", "google", "gooogle"]
   
   for text in texts:
       if re.match(pattern, text):
           print(f"Pattern found in {text}")
   

5. +：匹配前一个字符一次或多次。

   pattern = r"go+gle"
   texts = ["ggle", "gogle", "google", "gooogle"]
   
   for text in texts:
       if re.match(pattern, text):
           print(f"Pattern found in {text}")
   

6. ?：匹配前一个字符零次或一次。

   pattern = r"go?gle"
   texts = ["ggle", "gogle", "google", "gooogle"]
   
   for text in texts:
       if re.match(pattern, text):
           print(f"Pattern found in {text}")
   

这些元字符可以用于构建复杂的模式，实现更灵活的字符串匹配。正则表达式的语法还包括其他元字符和特殊符号，具体取决于匹配的需求。

字符串的r标记的作用

在Python中，字符串前面带有 r（原始字符串标记）的字符串被称为原始字符串。这种字符串在处理正则表达式、文件路径等需要使用反斜杠 \ 的情况下特别有用。r 表示"raw"（原始），它告诉解释器不要处理反斜杠 \，而是将其视为普通字符。

以下是使用原始字符串的一些情况和好处：

1. 正则表达式：

   # 普通字符串中的正则表达式模式
   pattern = "\\d+"
   
   # 使用原始字符串，不需要双反斜杠
   pattern_raw = r"\d+"
   

2. 文件路径：

   # 普通字符串中的文件路径
   file_path = "C:\\Users\\Username\\Documents\\file.txt"
   
   # 使用原始字符串，简化文件路径
   file_path_raw = r"C:\Users\Username\Documents\file.txt"
   

3. 正则表达式中的转义字符：

   # 匹配反斜杠字符的正则表达式
   pattern = "\\\\"
   
   # 使用原始字符串，不需要四个反斜杠
   pattern_raw = r"\\"
   

使用原始字符串可以减少对反斜杠进行转义的繁琐操作，使代码更清晰、易读。在处理需要大量反斜杠的场景中，使用原始字符串能够减少错误，并提高代码的可维护性。

元字符匹配

案例

• 匹配账号，只能由字母和数字组成，长度限制6到10位
  规则为： ^[0-9a-zA-Z]{6, 10}$

• 匹配QQ号，要求纯数字，长度5-11，第一位不为0
  规则为：^[1-9][0-9]{4, 10}&
  [1-9]匹配第一位，[0-9]匹配后面4到10位

• 匹配邮箱地址，只允许qq、163、gmail这三种邮箱地址
  规则为：^[\w-]+(\.[\w-]+)*@(qq|163|gmail)(\.[\w-]+)+&

• [\w-]+ 表示出现a-z A-Z 0-9 _ 和 - 字符最少一个，最多不限

• (\.[\w-]+)*，表示出现组合 . 和 a-z A-Z 0-9 _ -的组合最少0次，最多不限
  用于匹配：abc.ced.efg@123.com中的ced.efg这部分

• @表示匹配@符号

• (qq|163|gmail)表示只匹配这3个邮箱提供商

• (\.[\w-]+)+表示a-z A-Z 0-9 _ -的组合最少1次，最多不限

用于匹配abc.ced.efg@123.com.cn中的.com.cn这种
最后使用+表示最少一次，即比如：.com
多了可以是：.com.cn.eu这样

代码

"""
演示Python正则表达式使用元字符进行匹配
"""
import re

# s = "itheima1 @@python2 !!666 ##itccast3"
#
# result = re.findall(r'[b-eF-Z3-9]', s)   # 字符串前面带上r的标记，表示字符串中转义字符无效，就是普通字符的意思
# print(result)

# 匹配账号，只能由字母和数字组成，长度限制6到10位
r = '^[0-9a-zA-Z]{6,10}$'
s = '123456_'
print(re.findall(r, s))

# 匹配QQ号，要求纯数字，长度5-11，第一位不为0
r = '^[1-9][0-9]{4,10}$'
s = '1050148902'
print(re.findall(r, s))

# 匹配邮箱地址，只允许qq、163、gmail这三种邮箱地址
# abc.efg.daw@qq.com.cn.eu.qq.aa.cc
# abc@qq.com
# {内容}.{内容}.{内容}.{内容}.{内容}.{内容}.{内容}.{内容}@{内容}.{内容}.{内容}
r = r'(^[\w-]+(\.[\w-]+)*@(qq|163|gmail)(\.[\w-]+)+$)'
# s = 'gggaliniangao@gmail.com'
#s = 'a.b.c.d.e.f.g@126.com.a.z.c.d.e'
s = 'a.b.c.d.e.f.g@qq.com.a.z.c.d.e'
print(re.match(r, s))

r'(^[\w-]+(\.[\w-]+)*@(qq|163|gmail)(\.[\w-]+)+$)'

这是一个用于匹配邮箱地址的正则表达式。以下是正则表达式中每个部分的解释：

• ^: 匹配字符串的开头。
• [\w-]+: 匹配至少一个或更多（+）字母、数字或连字符（-）。
• (\.[\w-]+)*: 匹配零个或多个（*）点（.）后跟至少一个或更多字母、数字或连字符的组合。
• @: 匹配邮箱地址中的 @ 符号。
• (qq|163|gmail): 匹配三个选项之一，即 qq、163 或 gmail。
• (\.[\w-]+)+: 匹配至少一个或更多点（.）后跟至少一个或更多字母、数字或连字符的组合。
• $: 匹配字符串的结尾。

因此，该正则表达式可以用于验证符合特定格式的邮箱地址，例如 user@example.com、john_doe@163.com 等。请注意，这只是一个简单的例子，实际的邮箱地址验证可能需要更复杂的正则表达式，以涵盖更多的情况。

总结

1. 字符串的r标记表示，字符串内转移字符无效，作为普通字符使用
2. 正则表达式的元字符规则

当涉及到元字符匹配时，我们可以将其分为四个主要类别：单字符匹配、数量匹配、边界匹配和分组匹配。
以下是每个类别的元字符及其功能，以HTML表格的形式呈现：

单字符匹配

字符	功能
.	匹配任意字符（除了换行符）
\d	匹配任意数字
\D	匹配任意非数字字符
\w	匹配任意字母数字字符
\W	匹配任意非字母数字字符
\s	匹配任意空白字符
\S	匹配任意非空白字符

数量匹配

字符	功能
*	匹配前一个字符零次或多次
+	匹配前一个字符一次或多次
?	匹配前一个字符零次或一次
{n}	匹配前一个字符恰好 n 次
{n,}	匹配前一个字符至少 n 次
{n,m}	匹配前一个字符 n 到 m 次

边界匹配

字符	功能
^	匹配字符串的开头
$	匹配字符串的结尾
\b	匹配单词的边界
\B	匹配非单词边界

分组匹配

字符	功能
|	匹配左右任意一个表达式
( )	将括号中字符作为一个分组
(...)	创建捕获组
(?P<name>...)	创建命名捕获组
\1, \2, ...	引用捕获组

这些表格列出了每个类别中一些常用的元字符及其功能。正则表达式的语法和规则更加复杂，可以根据需要深入学习和使用。

注意：
正则表达式中的 {m,n} 表示匹配前面的模式至少 m 次，最多 n 次。在 {m,n} 中，m 和 n 之间不应该有空格。因此，正确的写法是 {m,n}，而不是 {m, n}。