python 正则表达式

• 1.简介
  • 正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，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。
  • 正则表达式通常被用来检索、替换那些匹配某个模式的文本。
• 2.正则表达式的作用和特点
  • 给定一个正则表达式和另一个字符串，我们可以达到如下的目的：
    • 1. 给定的字符串是否符合正则表达式的过滤逻辑（称作“匹配”）；
    • 2. 可以通过正则表达式，从字符串中获取我们想要的特定部分。
  • 正则表达式的特点是：
  • 1. 灵活性、逻辑性和功能性非常强；
  • 2. 可以迅速地用极简单的方式达到字符串的复杂控制。
  • 3. 对于刚接触的人来说，比较晦涩难懂。
• 3.re 模块  import re
  • 1.obj = re.search(正则表达式, 要匹配的字符串)  全局匹配，第一次匹配成功返回对象，匹配不到返回None
  • 2.obj = re.match(正则表达式,要匹配的字符串)  将正则与字符串开头匹配，匹配成功返回对象，匹配不到返回None
  • 3.obj.group()  -->获取匹配到的内容 ,obj.group(n) -->获取匹配成功后第n组分组的内容
  • 4.list_ = re.findall(正则表达式,要匹配的字符串) 全局匹配，返回匹配到的内容列表，匹配不到返回空列表
    • 注意：如果正则表达式使用分组，那么得到的列表是正则表达式匹配分组对应的内容：比如
    • str="a b c d"
    • print(re.findall("((\w+)\s+\w+)",str))  -->[(a b,a),(c d,c)]
    • print(re.findall("(\w+)\s+\w+",str))  -->[a,c]
    • print(re.findall("\w+\s+\w+",str))  -->[a b,c d]
  • 5.new_str=re.sub(正则表达式,替换内容(可以是函数),要匹配的字符串,次数)  替换匹配内容，默认全局替换,可以指定替换次数，返回替换后新字符串
    • content="<h1>hello</h1>"
    • new_str=re.sub(">\w+<".">haha<",content)   --><h1>haha</h1>
    • def test(temp):
      • s=int(temp.group())   -->temp为匹配到的对象，使用group方法获取到的内容，返回修改后的内容
      • return str(s+1)
    • new_str=re.sub(r"\d+",test,"123 456 789")   -->124 457 790
  • 6.list_=re.split(正则表达式,字符串,最大切割数)  以正则表达式匹配的内容切割字符串，返回不包含正则匹配内容的列表，默认去全局收割，可以指定最大收割次数
    • s="ab1cd2ef3gh"
    • list_=re.split("\d+",s)   -->["ab","cd","ef"]
    • list_=re.split("(\d)",s)  -->["ab","1","cd","2","ef","3","gh"]
    • list_=re.split("[a-z]+",s)   -->['', '1', '2', '3', '']
    • list_=re.split("([a-z]+)",s)  --> ['', 'ab', '1', 'cd', '2', 'ef', '3', 'gh', '']
• 4.正则表达式
  • 1.表示单字符的字符
    • [] 匹配列表中任意一个字符 如[a-zA-Z] 表示匹配字母中任意一个字母
    • . 匹配任意一个字符除了\n
    • \d 匹配任意一个数字 等于[0-9]
    • \D 匹配任意一个非数字 等于[^0-9]
    • \w 匹配单词字符  等于[a-zA-Z0-9_]
    • \W 匹配非单词字符 等于[^a-zA-Z0-9_]
    • \s 匹配空白 如\t，\n,\r
    • \S 匹配非空白
  • 2.匹配多个字符的字符
    • * 匹配前一个字符出现0次或者无限次，即可有可无
    • + 匹配前一个字符出现1次或者无限次，即至少有1次
    • ? 匹配前一个字符出现1次或者0次，即要么有1次，要么没有
    • {m} 匹配前一个字符出现m次
    • {m,} 匹配前一个字符至少出现m次
    • {m,n} 匹配前一个字符出现从m到n次
  • 3.原始字符串：所有的字符串都是直接按照字面的意思来使用，没有转义特殊或不能打印的字符。
    • 1.Python中字符串前面加上 r 表示原生字符串，让我们忽略要转义的地方。
    • 2.'r'是防止字符转义的 如果路径中出现'\t'的话 不加r的话\t就会被转义 而加了'r'之后'\t'就能保留原有的样子   r可以大小写
    • 3.格式 r"字符串" 和 r"正则表达式"   \\nabc 相当于 r"\nabc"
  • 4.表示边界
    • ^  匹配字符串开头  $  匹配字符串结尾   \b 匹配一个单词的边界    \B 匹配非单词边界
    • s="world abld wlda aald"
    • list_=re.findall(r"\w+ld\b",s)  为防止\b转义为退格符 使用r 防止字符串转义  结果 ['world', 'abld', 'aald']
    • list_=re.findall(r"abld\b\sw+a\b",s)  结果为：  ['abld wlda']
• 5.匹配分组
  • 1.| 表示或者    使用竖杠，匹配多个可能的字符串中的其中一种  不能使用在表达但字符的[]
  • 2.() 分组      将括号中字符作为一个分组 ,(ab)|(cd)|(ef)  组编号分别为1，2，3
    • 嵌套分组 ((\w)\s)(\d)  \w\s 为第一组，\w为第二组，\d为第三组
  • 3.\number  number 是组编号 正则表达式中引用其前面的分组
    • content="<h1><span>hello</span></h1>"
    • obj=re.search(r"<(\w+)><(\w+)>\w+</\2></\1>",content)  --><h1><span>hello</span></h1>
  • 4.(?P<name>) 分组起别名  (?P=name) 引用别名为name的分组  成对出现
    • content="<h1><span>hello</span></h1>"
    • obj=re.search(r"<(?P<haha>\w+)>\w+</(?name=haha)>")  --><span>hello</span>
• 6.贪婪和非贪婪匹配
  • 1.定义:Python里正则表达式默认是开启贪婪模式的，总是尝试匹配尽可能多的字符；非贪婪则相反，总是尝试匹配尽可能少的字符。
  • 2.使用:在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。
    • 正则表达式模式中使用到通配字(如.+)，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串
  • 3.举例
    • str=this number is 123-456-789
    • obj=re.search(r"(.+)(\d+-\d+-\d+)",str)
    • obj.group(1)  #this number is 12  因为默认的贪婪匹配，尽可能的取最长的，一直取到12，因为要符合后面紧跟的\d+,+表示最少一个
    • obj.group(2)  #3-456-789   因为12被前面的.+取到，
    • #使用非贪婪
    • obj=re.search(r"(.+?)(\d+-\d+-\d+",str)
    • obj.group(1)  #this number is 非贪婪匹配，尽可能少的匹配，只要后面的能匹配到，那他就会停止匹配,\d+会匹配到123，
    • obj.group(2)  #123-456-789