正则表达式

动机

1. 处理文本成为计算机常见工作之一
2. 对文本内容的搜索提取是一项比较复杂困难的工作
3. 为了快速方便处理上述问题，正则表达式技术诞生，逐渐发展为一个被众多语言使用的独立技术

定义

　　即高级文本匹配模式，提供了搜索，替代等功能。本质是由一系列特殊符号和字符组成的字串，这个字串即使正则表达式。这个表达式描述了字符和字符的重复行为，可以匹配一类特征的字符串。

目标：
1. 熟练使用正则表达式符号
2. 能够正确的组合和理解一般的正则表达式
3. 能够使用python操作正则表达式

正则表达式特点：
* 方便进行检索和修改
* 支持语言众多
* 灵活多样
* mongo正则类型，django等框架作为url匹配，爬虫

正则表达式的使用
python —> re模块 处理正则表达式

re.findall(pattern, string)
功能：使用正则表达式匹配字符串
参数：pattern 正则表达式
　　　string 目标字符串
返回值：一个列表 匹配到的所有内容

元字符

（即正则表达式中有特殊含义的符号）
1. 普通字符
元字符：abc (数字字母下划线)
匹配规则：匹配相应的普通字符
2. 或
元字符：ab｜cd
匹配规则：匹配|两边任意一个正则表达式符合的情况
**|两侧不要有没用的空格，并且检索时元素不会重叠得到结果
3. 匹配单一字符
元字符：．
匹配规则：匹配除了换行之外的任意字符
4. 匹配开始位置
元字符：^
匹配规则：匹配一个字符串的开始位置
5. 匹配结束位置
元字符：$
匹配规则：匹配目标字符串的结束位置
6. 匹配重复
元字符：＊
匹配规则：匹配前面的正则表达式重复0次或多次
7. 匹配重复
元字符：＋
匹配规则：匹配前面的正则表达式重复1次或多次
8. 匹配重复
元字符：?
匹配规则：匹配前面的正则表达式重复0次或1次
9. 匹配重复
元字符：{n}
匹配规则：匹配指定的重复次数
10. 匹配重复
元字符：{m,n}
匹配规则：匹配前面的正则表达式重复m次到n次
11. 匹配字符集合
元字符：[]
匹配规则：匹配括号范围内的任意一个字符
[abc123d]
[a-z]
[A-Z]
[0-9]
[123a-zA-Z]
12. 匹配字符集和
元字符：[^…]
匹配规则：匹配除指定字符集之外的任意字符
13. 匹配任意（非）数字字符
元字符：\d　\D
匹配规则：\d 匹配任意数字字符
　　　　　[0-9]
　　　　　\D 匹配任意非数字字符
　　　　　[^0-9]
14. 匹配（非）普通字符 （普通字符：数字字母下划线）
元字符：\w　　\W
匹配规则：\w 匹配任意一个普通字符
　　　　　[_0-9a-zA-Z]
　　　　　\W 匹配任意非普通字符
　　　　　[^_0-9a-zA-Z]
15. 匹配（非）空字符
元字符：\s　\S
匹配规则：\s 匹配任意空字符
　　　　　\S 匹配任意非空字符
16.匹配起止位置
元字符：\A　\Z
匹配规则：\A 匹配开始位置　＾
　　　　　\Z 匹配结束位置　 $
绝对匹配　\Aabc\Z —> abc（且字符串只是abc）
17.匹配单词（非）边界位置
元字符：\b 　 \B
匹配规则：\b 匹配单词的边界
　　　　　\B 匹配非单词的边界
单词边界：数字字母下划线和其他字符的交界位置为单词的边界

元字符总结

匹配单个字符：
a　．　\d　\D　\w　\W　\s　\S　[…]　[^…]
匹配重复性：
*　+　?　{n}　{m,n}
匹配某个位置：
^　$　\A　\Z　\b　\B
其他：
|　（）　\　

转义字符

贪婪和非贪婪
正则表达式默认的重复匹配模式：贪婪模式
当匹配到的时候，会尽可能多的向后匹配

* + ？{m,n} 这四种情况下会产生贪婪模式

非贪婪模式：尽可能少的匹配内容，满足正则表达式含义即可
贪婪 —> 非贪婪 *?　+?　 ??　 {m,n}?

正则表达式分组
使用（）可以为一个正则表达式建立一个子组，子组可以看作内部的整体

子组的作用
1.增加子组后对正则表达式整体的匹配内容没有影响
2.子组可以改变重复元字符的重复行为
3.子组在某些操作中可以对子组匹配内容单独提取

子组的注意事项
1.每个正则表达式可以有多个子组，由外到内，由左到右为第1，第n…子组
2.子组通常不要交叉

捕获组和非捕获组（命名组和非命名组）
子组命名格式
(?P< name>abc)
1.很多编程接口可以直接通过名字获取子组匹配内容
2.捕获组中的正则表达式可以通过名字重复调用
(?P=name)

匹配身份证号

re模块

compile(pattern, flags=0)

功能：获取正则表达式对象
参数：pattern 正则表达式
　　　flags 功能标志位，提供更丰富的匹配
返回值：正则表达式对象

re模块和compile对象均有的函数

obj.findall(string, pos, endpos)

功能：通过正则表达式匹配字符串
参数：string 目标字符串
　　　pos 目标字符串的匹配开始位置
　　　endpos 目标字符串的结束位置
返回值：匹配到的所有内容以列表返回
*如果正则表达式有子组则只显示子组匹配内容

obj.split(string)

功能：按照正则表达式切割目标字符串
参数：目标字符串
返回值：切割后的内容

obj.sub(replaceStr, string, max)

功能：替换正则表达式匹配到的内容
参数： replaceStr 要替换的内容
　　　 string 目标字符串
　　　 max 最多替换几处
返回值：返回替换后的字符串

obj.subn(repl, string, count)

功能：替换正则表达式匹配到的内容
参数： repl 要替换的内容
　　　 string 目标字符串
　　　 count 最多替换几处
返回值：返回替换后的字符串和实际替换的个数

re.finditer(pattern, string)

功能：使用正则表达式匹配目标内容
参数：目标字符串
返回值：迭代对象 迭代的每个内容为一个match对象

re.match(pattern, string)

功能：匹配一个字符串开头
参数：目标字符串
返回值：如果匹配到返回 match obj
　　　　没有匹配到返回 None
　　　　

re.search(pattern, string)

功能：匹配一个字符串
参数：目标字符串
返回值：如果匹配到返回 match obj
　　　　没有匹配到返回 None
* match 只能匹配字符串的开头位置，search可以匹配任意位置，但是也只能匹配一处
* 通常match对象调用其属性时往往需要try异常处理

fullmatch()

要求目标字符串完全匹配，没有完全匹配会报错

compile 对象 属性方法 (re模块没有)

flags：标志位
pattern：正则表达式
groupindex：捕获组形成的字典
groups：多少个子组

match 对象属性方法

属性

match_obj.pos 目标字符串的开头位置
match_obj.endpos 目标字符串的结束位置
match_obj.re 正则表达式对象
match_obj.string 目标字符串
match_obj.lastgroup 最后一组的名字
match_obj.lastindex 最后一组是第几组

方法

match_obj.start() 匹配到的内容的开始位置
match_obj.end() 匹配到的内容的结束位置
match_obj.span() 匹配到内容的起止位置（即将以上两项形成一个二元元组返回）

match_obj.group(n)
功能：获取match对象匹配的内容
参数：默认为0，表示获取正则整体的匹配内容
　　　如果传入大于0的正数则表示获取对应子组匹配内容
返回值：返回匹配到的内容

match_obj.groups()
功能：得到所有子组匹配的内容

match_obj.groupdict()
功能：得到所有捕获组匹配的内容
返回值：字典，键为组名，值为子组

作业：
　　读取一个文件内容，将文件中所有的以大写字母开头的单词匹配出来