【python高级07-正则表达式】

正则表达式（regular expression）：也叫作匹配模式,是使用一些特殊符号来查找或匹配或替换字符串文本的一种技术

1.python对正则表达式的使用：re模块

>>> import re
>>> dir(re)
['A', 'ASCII', 'DEBUG', 'DOTALL', 'I', 'IGNORECASE', 'L', 'LOCALE', 'M', 'MULTILINE', 'RegexFlag', 'S', 'Scanner', 'T', 'TEMPLATE', 'U', 'UNICODE', 'VERBOSE', 'X', '_MAXCACHE', '__all__', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', '__version__', '_alphanum_bytes', '_alphanum_str', '_cache', '_compile', '_compile_repl', '_expand', '_locale', '_pattern_type', '_pickle', '_subx', 'compile', 'copyreg', 'enum', 'error', 'escape', 'findall', 'finditer', 'fullmatch', 'functools', 'match', 'purge', 'search', 'split', 'sre_compile', 'sre_parse', 'sub', 'subn', 'template']

2.正则表达式的规范

字 符	描述
元字符：	\d . \w \s ^ $ []
\d	匹配数字(digest)
.	匹配任意符号中文也可以，除了\n
\w	匹配所有有效符号(大小写字母，数字，下划线，各国的语言符号)
\s	匹配空白位（空格,\t）
^	以什么开头
$	以什么结尾
[]	表示列举，括号里的某一个([0123456789],[a-z],[A-Z],[A-Za-z0-9_],[\u4e00-\u9fa5]-汉字)
反义符:	\D \W \S [^]
\D	匹配非数字
\W	匹配非有效符号，也就是特殊符号
\S	非空白位
[^]	列举反义 注意^[] 和 [^] >>> re.findall(“1[^356789]\d{9}”,“13991039425”) 结果：[]
转义符	在Python中\具有转义的含义，如要正常表示一个\，则需要两个\\。建议大家以后在写正则的时候，一定要在正则表达式前面加上r。

>>> re.match("C:\\\\a\\\\b\\\\c","C:\\a\\b\\c")  #\\两次转义，一次字符串，一次正则表达式
<_sre.SRE_Match object; span=(0, 8), match='C:\\a\\b\\c'>
>>> re.match(r"C:\\a\\b\\c","C:\\a\\b\\c")
<_sre.SRE_Match object; span=(0, 8), match='C:\\a\\b\\c'>
结论：建议大家以后在写正则的时候，一定要在正则表达式前面加上r

位数	* + ？ {n} {n,} {n,m}
*	(位数)任意多个(0个1个多个)
+	(位数)任意多个(至少有一位)
?	0位或一位
{n}	有n位 eg：{3} 表示有3位
{n,}	至少n位
{n,m}	n-m区间范围
分组(group)	在正则表达式中，使用圆括号()将正则包裹起来,会形成正则匹配后的二次筛选。分组最好的好处就是能够形成二次筛选
贪婪模式与懒惰模式	贪婪模式和非贪婪（懒惰）模式：在python中，默认是贪婪模式在.*+?{n}{n,}后面加上?，可以将贪婪模式转换成费贪婪模式

>>> s="<div><ul><li><a href="">哈哈1</a></li><li><a href="">哈哈2</a></li></ul></div>"
>>> re.sub(r"</?.*?>","",s)
'哈哈1哈哈2'
>>> re.findall(r"<\w+>(.*)</\w+>",s)
[<ul><li><a href="">哈哈1</a></li><li><a href="">哈哈2</a></li></ul>]  #贪婪模式
>>> re.findall(r"<\w+>(.*?)</\w+>",s)
[哈哈1,哈哈2]  #将贪婪模式转换成非贪婪
>>> re.match(r"<(\w+)>.*</\1>","<a>这是一个连接标签</a>")
<_sre.SRE_Match object; span=(0, 15), match='<a>这是一个连接标签</a>'>

3.常用正则表达式

用户名	^[a-z0-9_-]{3,16}$
密码	^[a-z0-9_-]{6,18}$
十六进制值	^#?([a-f0-9]{6}|[a-f0-9]{3})$
电子邮箱	^([a-z0-9_.-]+)@([\da-z.-]+).([a-z.]{2,6})$ 或 ^[a-z\d]+(.[a-z\d]+)*@(\da-z?)+(.{1,2}[a-z]+)+$
URL	^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w\ .-]*)*\/?$
IP 地址	((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)
HTML 标签	^<([a-z]+)([^<]+)*(?:>(.*)<\/\1>|\s+\/>)$
删除代码\注释	(?<!http:|\S)//.*$
Unicode编码中的汉字范围	^[\u4e00-\u9fa5]+$

4.re模块中的方法

方法：
	match("要匹配的"，"待匹配的") #表示从头匹配,返回的是一个对象，提取用group()函数
	findall() #返回的是一个列表、
	sub()
	search()
	split() #分割字符串
	>>> re.split(r"\.","www.baidu.com")
	['www', 'baidu', 'com']