正则表达式

概念

正则表达式是可以选择含有某种格式的文本。它用一定的语句匹配符合一定规则的字符串。

正则表达式中的字符

元字符 metacharacter

1. \b 匹配一个位置,单词的前 / 后 边界
2. \d 匹配数字 [0 - 9]
3. \D 匹配非数字的字符 [^0-9]
4. \w 匹配数字[0-9]，字母[a-zA-Z]，下划线_，汉字，其他语言
5. \W 匹配除4以外的任意字符
6. . 除换行符以外任意字符
7. \s 匹配任意的空白符
8. \S匹配非空白
9. % 匹配字符串结尾
10. \f \n \r \t 匹配换页，换行，回车，制表符

[XXX]

1. [abc] 匹配a,b,c中的任意一个字符
2. [a-z] 匹配a-z的任意一个字符
3. [a-zA-Z]匹配a-z和A-Z的任意一个字符
4. 字符前加 ^ 表示不在后面规定的范围内的字符

限定符（表示数量，出现次数）

1. * 左边的字符可以出现任意次（包括0次）
2. +左边的字符可以出现任意次（不包括0次）
3. \？左边的字符可以出现 0 次或 1 次
4. {m} m ≥ 0 左边的字符出现m次
5. {m,} m ≥ 0 左边的字符出现 ≥m 次
6. {m,n} m,n ≥ 0 左边的字符出现 m~n次（包括 m 和 n）
   注：单独的 ? 跟在这几个符号后表示贪婪模式，即该范式尽可能少的出现。例如对于字符串"abbb","ab+"匹配所有b，而加入?后，即"ab\*?"匹配一个b

使用时，一般可以将限定符放到元字符的后面，表示前面的某个元字符重复几次。

边界，不匹配字符

\A \Z 字符起始 结束位置
^ $ 字符起始 结束位置（包括\t \n之后的起始 结束位置）

分组(XXX)

1.括号里的是一个分组。如果有多个分组，从左到右从1开始编号。
2.括号后 \i 或 r’\i 要求前面的字符后跟着 i 号分组在本次匹配到的值，少一个字符都无法运行出来。

q = '(((mn+)o)p)\\1'  #r'(((mn+)o)p)\1'
x2= re.match(q,'mnnnnopmnnnnop')
print(x2.group())
# mnnnnopmnnnnop

\1 表示再完全重复一遍第一个分组。少一个 n 都不能完全运行出来。

3.分组后可以加量词。但是每次匹配的模式可以不同。

r = '(((mn*)o)+p)'
x3 = re.match(r,'mnomnnomnnnopuh')
print(x3.group())
# mnomnnomnnnop

例如加上量词 ＋ 可以看到每次不一定要匹配的n的个数相同。不同于上一种情况。

正则表达式内置函数

使用正则表达式时首先导入

import re

1. re.compile 有两个参数，第一个参数是要匹配的范式，第二个参数是标志。编译正则表达式模式，返回一个正则对象的模式。

ss = "夏洛克 有华生，夏洛克 很厉害"
cc = re.compile('\w*夏洛克\w*')
print(cc.findall(ss))   #查找所有包含'夏洛克'的单词  
#返回 ['夏洛克', '夏洛克']

以下函数有三个参数，第一个参数是要匹配的范式，第二个参数是要匹配的字符，第三个参数是标志位。

2. re.match 匹配字符串起始位置

m = re.match('ac','acfha')  #查询起始字符是ac
m.group()  
## 返回'ac'

3. re.search 匹配整个字符串直到找到第一个匹配值返回
   注：match和search一旦匹配成功，就是一个match object对象，而match object对象有以下方法：
   group() 返回被 RE 匹配的字符串
   start() 返回匹配开始的位置
   end() 返回匹配结束的位置
   span() 返回一个元组包含匹配 (开始,结束) 的位置

s = re.search('[a-zA-Z]','faaaaac495dddfha') #匹配大小写英语字母，找到第一个就返回
s.group()  
#'f'

4. re.findall 匹配成功的字符串会返回一个列表

f = re.findall('\d+','a1b2c3')    #返回数字
f
#['1', '2', '3']

5. re.finditer 返回一个顺序访问每一个匹配结果的迭代器。

iter = re.finditer(r'\d+','There are 35 girls and 12 boys') #返回数字
for i in iter:
    print(i)
    print(i.group())
    print(i.span())
#<re.Match object; span=(10, 12), match='35'>
#35
#(10, 12)
#<re.Match object; span=(23, 25), match='12'>
#12
#(23, 25)

6. re.split
   split(pattern, string, maxsplit=0, flags=0)
   第一个参数：分隔符。
   第二个参数：要分割的字符串。
   第三个参数：最大分割次数。
               <0不分割，=0分割无限次，>0分割maxsplit次。

ss = '夏洛克 有华生 夏洛克 很厉害'
mm = re.split('\s',ss)
print(mm)
#['夏洛克', '有华生,夏洛克', '很厉害']

7. re.sub
   sub(pattern, repl, string, count=0, flags=0)
   pattern:要寻找的模式
   repl:代表replacement，要替换的字符。也就是用repl去替换pattern
   count:要替换的最大次数；count 必须是非负整数。

b = "a468a b468a486a"
n1 = re.sub('\d+','5',b,count=2)
print(n1)
#a5a b5a486a
n2 = re.sub('\d+','5',b,count=0)
print(n2)
#a5a b5a5a