正则表达式的思考

1. 正则的特点

正则表达式非常强大，但是也有做不到的事情：

正则表达式的只能按照顺序就是从前往后找

但是你如果已经找了前面一段，就绝不可能回头重新找。举例说明：

mystr="abcdeffg"
kk=re.findall('abc|cde',mystr)
print（kk）

#结果是['abc']
# 你可能觉得cde存在啊？怎么可能找不出来，那是因为程序找了abc，就不可能回头从c找起！

但是如果你这么找
kk=re.findall('abc|effg',mystr)
print（kk）

#['abc', 'effg']

#程序可以找到所有相关的内容

2.正则式的模式

正则式的模式非常重要。

match只能从头匹配，找到了就结束

search也只是从字符串中在找到匹配的模式，找到一个就结束。

而findall函数和sub函数（不限次数）则完全不同，非要找完整个字符串才能罢休。

re.I表示将忽略大小写

re.M表示 "^" 匹配字符串的开始和字符串中每行的开始。同样的， $ 元字符匹配字符串结尾和字符串中每行的结尾（直接在每个换行之前）

所以必须选择正确的正则式模式

 

 

3.善用分组

在一个字符串中使用分组是非常常见的事情，但是如果你既使用了分组也使用了|模式来定义不同模式的分组。事情就变了。

hhh='''8123 171.38.85.122  高匿 HTTP 1087天 18-11-0601:50
45.68.172.79  Https  678  高匿  2天   18-11-0601:50
'''

#想找出对应的ip地址和端口号。用分组再好不过了。但是不同模式的不同分组事情就不是一回事了。
pattern=re.compile('(\d{4,5})\s(\d+\.\d+\.\d+\.\d+)|(\d+\.\d+\.\d+\.\d+).*(\d{3,5})\s' ,)
IP_port=re.findall(pattern,hhh)
print(IP_port)

#[('8123', '171.38.85.122', '', ''), ('', '', '45.68.172.79', '678')]
#这样取出来的格式太难处理。

#我能想到的就是先把不用模式的相关信息取出来，再进一步的做处理。
pattern=re.compile('\d{4,5}\s\d+\.\d+\.\d+\.\d+|\d+\.\d+\.\d+\.\d+.*\d{3,5}\s')
IP_port=re.findall(pattern,hhh)
print(IP_port)


#['8123 171.38.85.122', '45.68.172.79  Https  678\n']
#对取出的列表再用函数做处理就比较简单。

 

3.中文在正则式中的表示

     \w表示[a-z0-9_]这个相信大家都非常清楚。但是\w能表示中文吗？答案是\w包括中文但是不能将中文从字符串和数字中区分出来。

       网络上早就有了正则[u0391-uFFE5]就可以表示中文。但是在实际的应用中我们需要取出中文字符里面的部分内容，而这个办法就无能为力。所以一般我们用零宽断言和（）和[]来取出特定的中文字符串。

 

4.sub的应用

一般我们用正则都是用来抓取数据，但是换个思路，我们也可以用来剔除数据。

 而sub是用来剔除异常数据最好的工具。

mystr="请问jfakj8*%4^&8&0什么姓名张三%976GH对吗$@$%^"
filter1=re.sub('\W','',mystr)
print（filter1）

#请问jfakj8480什么姓名张三976GH对吗


filter2=re.sub('\d+','',filter1)
print（filter2）

#请问jfakj什么姓名张三GH对吗

#所以我们可以使用sub来实现层层过滤

 

4.\b,$,^,\B定位符的使用

\b是单词和符号的边界，而并不是单纯的指空格。

str1=#wang@

str2=wangquan

      定位符号就是为了分辨上面这两种情况而出现的。第一个字符wang两边都是\b;而第二个字符中wang后面也是字符，那么wang后面是\B

   

5.分组数据的改造：

分组数据的改造可以代替很多函数的功能。也方便的多。

a="dfha.txt"
bb=re.sub(r'(\w+)(.txt)',r'\1_conv\2',a)
print(bb)


#结果是dfha_conv.txt
#如果你喜欢，可以做出更多更复杂的改造。

以上是我想到的几点。欢迎大家提出意见并完善。仓促之间如有错漏希望斧正，谢谢大家。rwangnqian@126.com