Python学习笔记---结构化文件存储：正则

#正则表达式(RegularExpression, re)

• - 是一个计算机科学的概念
• - 用于使用单个字符串来描述，匹配符合某个规则的字符串
• - 常常用来检索，替换某些模式的文本

#正则的写法

• - .(点)：表示任意一个字符，出\n，比如查找所有的一个字符\.
• - []:匹配中括号中列举的任意字符，比如[L,Y,0],LLY, Y0, LI
• - \d:任意一个数字
• - \D:除了数字都可以
• - \s：表示空格，tab键
• - \S：除了空白符号
• - \w:单词字符，就是a-z， A-Z， 0-9， _
• - \W: 除了
• - *： 表示前面内容重复零次或者多次， \w
• - +: 表示前面内容至少出现一次
• - ？： 前面才出现的内容零次或者一次
• - {m,n}:允许前面内容出现最少m次，最多n次
• - ^:匹配字符串的开始
• - $:匹配字符串的结尾
• - \b:匹配单词的边界
• - ():对正则表达式内容进行分组， 从第一个括号开始，编号逐渐增大

•   验证一个数字： ^\d$
•   必须有一个数字，最少一位：^\d+$
•   只能出现数字，且位数为5-10位： ^\d{5,10}$
•   注册者输入年龄，要求16岁以上，99岁以下： ^[16-99]$
•   只能输入英文字符和数字： ^[A-Za-z0-9]$
•   验证qq号码： [0-9]{5,12}

• - \A: 只匹配字符串开头， \Aabcd, 则abcd
• - \Z: 仅匹配字符串末尾， abcd\Z, abcd
• - |: 左右任意一个
• - (?P...): 分组，除了原来的编号再制定一个别名， (?P12345){2}， 1234512345
• - (?P=name): 引用分组，

#RE使用大致步骤

1.使用compile将表示正则的字符串编译为一个pattern对象

2.通过pattern对象提供一系列方法对文本进行查找匹配，获得匹配结果，一个Match对象

3.最后使用Match对象提供的属性和方法获得信息，根据需要进行操作

#RE常用函数

1. - group():获得一个或者多个分组匹配的字符串，当要获得整个匹配字符串时，直接使用group或者group(0)
2. - start：获取分组匹配的字串在整个字符串中的真实位置，参数默认为0
3. - end：获取分组匹配的字串在整个字符串中的结束位置，参数默认为0
4. - span：返回的结构技术(start(group), end(group))

案例re1.py

# 导入相关包
import re
# 超找数字
# r表示字符串不转义
p = re.compile(r'\d+')
# 在字符串"one12towthree33456four78"中进行查找，按照规则p制定的正则进行查找
# 返回None表示没有找到结果，否则会返回match对象
# 参数3，6表示在字符串中查找的返回
m = p.match("one12towthree33456four78", 3, 6)
print(m)
print(m[0])

# 上述代码说明两个问题
# 1.match可以输入阐述表示起止位置
# 2.查找的结果只包含一个，表示第一次进行匹配成功的内容

案例re2.py

import re

# I 表示忽略掉大小写

p = re.compile(r'([a-z]+) ([a-z]+)', re.I)
m = p.match("I am really love liuyifei")
print(m)
print(m.group(2))
print(m.start(2))
print(m.end(2))
print(m.groups())

# 查找

• - search(str, [,pos[, endpos]]):在字符串中查找匹配，pos和endpos表示起始位置
• - findall：查找所有
• - finditer：查找，返回一个iter结果

案例re3.py

import re
p = re.compile(r'\d+')
m = p.search("one12towthree33456four78")
print(m.group(0))

rst = p.findall("one12towthree33456four78")
print(type(rst))
print(rst)

# sub替换

- sub(repl, str[, count])

案例re4.py

import re
p = re.compile(r'(\w+) (\w+)')
s = "hello hi liu 456 yifei, I love you!"
rst = p.sub(r'Hello world', s)
print(rst)

# 匹配中文
- 大部分中文内容表示范围是[u4e00-u9fa5], 不包括全角标点

案例re5.py

import re
title = u'世界 你好，hello world'
p = re.compile(r'[\u4e00-\u9fa5]+')
rst = p.findall(title)
print(rst)

# 贪婪和非贪婪

1. - 贪婪：尽可能多的匹配，(*)表示贪婪匹配
2. - 非贪婪：找到符合条件的最小内容即可，(?)表示非贪婪
3. - 正则默认使用贪婪匹配

案例re6.py

import re
title = u'<div>name</div><div>age</div>'
p1 = re.compile(r'<div>.*</div>')
p2 = re.compile(r'<div>.*?</div>')
m1 = p1.search(title)
print(m1.group())
m2 = p2.search(title)
print(m2.group())