正则表达式

1.什么是正则表达式

用事先定义好的一些特定字符，以及这些特定字符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。

2.正则表达式的常见语法

知识点

• 正则中的字符
• 正则中的预定义字符集
• 正则中的数量词

---

非打印字符

字符	描述
\cx	匹配由x指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 ‘c’ 字符。
\f	匹配一个换页符。等价于 \x0c 和 \cL
\n	匹配一个换行符。等价于\x0a和\cJ
\r	匹配一个回车符。等价于 \x0d 和 \cM
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。注意 Unicode 正则表达式会匹配全角空格符
\S	**匹配任何非空白字符。等价于 [^ \f\n\r\t\v] **
\t	匹配一个制表符。等价于 \x09 和 \cI
\v	** 匹配一个垂直制表符。等价于 \x0b 和 \cK**

特殊字符

所谓特殊字符，就是一些有特殊含义的字符，如上面说的 runoo*b 中的 *，简单的说就是表示任何字符串的意思。如果要查找字符串中的 * 符号，则需要对 * 进行转义，即在其前加一个\ : runo*ob 匹配runo*ob 。

许多元字符要求在试图匹配它们时特别对待。若要匹配这些特殊字符，必须首先使字符"转义"，即，将反斜杠字符\ 放在它们前面。下表列出了正则表达式中的特殊字符：

特殊字符	描述
$	匹配输入字符串的结尾位置。乳沟设置了RegExp对象的Multline属性，则$也要匹配’\n’或’\r’。要匹配$字符本身，请使用$。
()	标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符，请使用 ( 和 )。
*	匹配前面的子表达式零次或多次。要匹配 * 字符，请使用 \*。
+	匹配前面的子表达式一次或多次。要匹配 + 字符，请使用 +。
.	匹配除换行符 \n 之外的任何单字符。要匹配 . ，请使用 . 。
[	标记一个中括号表达式的开始。要匹配 [，请使用 [。
?	匹配前面的子表达式零次或一次，或指明一个非贪婪限定符。要匹配 ? 字符，请使用 ?
**	将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如， ‘n’ 匹配字符 ‘n’。’\n’ 匹配换行符。序列 ‘\’ 匹配 “”，而 ‘(’ 则匹配 “(”。
^	匹配输入字符串的开始位置，除非在方括号表达式中使用，此时它表示不接受该字符集合。要匹配 ^ 字符本身，请使用 ^
{	标记限定符表达式的开始。要匹配 {，请使用 {。
|	**指明两项之间的一个选择。要匹配

限定符

限定符用来指定正则表达式的一个给定组件必须要出现多少次才能满足匹配。有\ * 或 + 或 ? 或 {n} 或 {n,} 或 {n,m} 共6种。
正则表达式的限定符有：

字符	描述
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，‘zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?” 可以匹配 “do” 、 “does” 中的 “does” 、 “doxy” 中的 “do” 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，‘o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。
{n,}	n 是一个非负整数。至少匹配n 次。例如，‘o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。‘o{1,}’ 等价于 ‘o+’。‘o{0,}’ 则等价于 'o*'
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，“o{1,3}” 将匹配 “fooooood” 中的前三个 o。‘o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。

3.re模块的常见方法

• re.match(pattern,string,flags=0)
  • 从字符串的起始位置开始匹配，如果匹配成功则返回匹配内容，否则返回none。
• re.search(pattern, string, flags=0)
  • 扫描整个字符串并返回第一个成功的匹配
• re.findall(pattern,string,flags=0)
  • 扫描整个字符串。返回所有与pattern匹配的列表
  • 注意：如果pattern中有分组则返回与分组匹配的列表
• re.sub(pattern,repl,string,count=0,flags=0)
  • 使用repl替换string中的所有的匹配项
    -举例: re.sub(’/d’,’_’,‘abc1def2g’) >> [‘adb_def_g’]
• 参数说明：
  • pattern: 模式字符串
  • repl： 替换字符串，也可以是一个函数
  • string：要被查找替换的原始字符串
  • count： 模式匹配后替换最大次数，默认0表示替换所有的匹配
  • flags：匹配方式：
    - re.I 是匹配对大小写不敏感
    - re.S 是 . 匹配包括换行在内的所有字符串
    - re.M 多行模式，会影响 ^和$

4.python中原始字符串r的用法

原始字符串定义(raw string)：原始字符串，让“\”表示原本的含义，而不是转义符；举例：r’\n’ ===’\n’

• 原始字符串的长度
  
• 正则中原始字符串的使用
  
  上面的现象说明什么？
  正则中使用原始字符串r能够忽略转义符号带来的影响，加上原始字符串r之后，待匹配的字符串中有多少个\，正则中就添加多少个\即可

5. regex = re.compile(pattern,flag)的使用

• 作用：预编译正则表达式, 把正则表达式编译为2进制形式,提高匹配的速度

• 使用：方法与re的方法相同, 只是不用传入正则表达式字符串了, 因为他本身就代表正则表达式

   regex.findall(string)(重点)
   	* 扫描整个串,返回所有与本正则匹配的列表
   	* 注意: 如果本正则有分组则返回与分组匹配的列表
  

---

	regex.sub(repl,string,count=0)(重点)
		* 用于替换字符串中的匹配项

regex.sub(repl,string,count=0)(重点)

rs = re.findall(r"a.+bc", "a\nbc", re.DOTALL)
print(rs)
rs = re.findall(r"a(.+)bc", "a\nbc", re.DOTALL)
print(rs)

• findall() 特点: 切记:

  • 如果正则表达式中有没有()则返回所有匹配项的列表
  • 如果正则表达式中有(),则返回()中匹配的内容列表, 小号两边东西都是负责定位的

7. 如何非贪婪的去匹配内容(重点)？

• 贪婪：就是尽可能多的匹配内容
• 非贪婪：就是尽可能少的匹配内容
• 下面的输出是什么？

string_a = '<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">\n\t\t<meta http-equiv="content-type" content="text/html;charset=utf-8">\n\t\t<meta content="always" name="referrer">\n        <meta name="theme-color" content="#2932e1">'
ret = re.findall("<.*>", string_a, re.S)
print(ret)

结果
ret == string_a