python高级编程（八）--正则表达式

1. 正则表达式到底是什么？

我们通常在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

字符是计算机软件处理文字时最基本的单位，可能是字母，数字，标点符号，空格，换行符，汉字等等。字符串是0个或更多字符的序列。文本也就是文字，字符串。说某个字符串匹配某个正则表达式，通常是指这个字符串里有一部分（或几部分分别）能满足表达式给出的条件。

2. 正则表达式在python中

(1). re模块在古老的Python1.5版本中引入，用于替换那些已过时的regex模块和regsub模块–这两个模块在Python2.5版中移除，而且此后导入这两个模块中的任意一个都会触发ImportError异常。
(2). re模块支持更强大而且更通用的Perl风格（Perl 5风格）的正则表达式，该模块允许多个线程共享一个已编译的正则表达式对象，也支持命名子组。

• re模块的使用

# 导入re模块
import re

# 使用match 方法进行匹配操作
result = re.match(正则表达式，要匹配的字符串)

# 如果上一步匹配到数据的话， 可以使用group 方法来提取数据
result.group

• re模块示例（匹配baidu开头的语句）

import re

result = re.match("baidu", "baidu.com")

result.group()

运行结果为：
baidu
说明： re.match()能够匹配出以XXX开头的字符串

• 匹配单个字符

字符	功能
.	匹配任意1个字符（除了\n）
[ ]	匹配[ ]中列举的字符
\d	匹配数字，即0-9
\D	匹配非数字，即不是数字
\s	匹配空白，即 空格，tab键
\S	匹配非空白
\w	匹配单词字符，即a-z、A-Z、0-9、_
\W	匹配非单词字符

示例：

import re

ret = re.match("." ,"M")
print(ret.group())

ret = re.match("t.o","too")
print(ret.group())

ret = re.match("t.o", "two")
print(ret.group)

运行结果：
M
too
two

• 匹配多个字符

字符	功能
*	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,n}	匹配前一个字符出现从m到n次

import re

# 使用*匹配
ret = re.match("[A_Z][a-z]*","Aabcdef")
print(ret.group)

# 使用+匹配
ret = re.match("[a-z]+","name")
print(ret.group)

# 使用？ 匹配
ret = re.match("[1-9]?\d","33")
print(ret.group())

# 使用{m}
ret = re.match("[a-zA-Z0-9_]{6}","12a3g45678")
print(ret.group())

运行结果：
Aabcdef
33
12a3g4

• 匹配开头结尾

字符	功能
^	匹配字符串开头
$	匹配字符串结尾

示例1：$ 需求：匹配163.com的邮箱地址

email_list = ["xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]

for email in email_list:
    ret = re.match("[\w]{4,20}@163\.com$", email)
    if ret:
        print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
    else:
        print("%s 不符合要求" % email)

运行结果：
xiaoWang@ 163.com 是符合规定的邮件地址,匹配后的结果是: xiaoWang@ 163.com
xiaoWang@ 163.comheihei 不符合要求
.com.xiaowang@ qq.com 不符合要求

• 匹配分组

字符	功能
(ab)	将括号中字符作为一个分组
\num	引用分组num匹配到的字符串
(?P<name>)	分组起别名
(?P=name)	引用别名为name分组匹配到的字符串

- re模块的高级用法-search

# 需求：匹配出文章阅读的次数
import re

ret = re.search(r"\d+", "阅读次数为 9999")
ret.group()

运行结果：
‘9999’

• re模块的高级用法-findall

# 需求：统计出python、c、C++相应文章阅读的次数
import re

ret = re.findall(r"\d", "python = 9999, c= 7890, c++ = 12345")  # findall 以列表的形式返回
print(ret)

运行结果：
[‘9999’, ‘7890’, ‘12345’]

• re模块的高级用法-sub
  将匹配到的数据进行替换

# 需求：将匹配到的阅读次数加1
import re

ret = re.sub(r"\d+", "998", "python = 997")
print(ret)

运行结果：
python = 998

• re模块高级用法-split
  根据匹配进行切割字符串，并返回一个列表

# 需求：切割字符串“info:xiaoZhang 33 shangdong”

import re

ret = re.split(r":|", "info:xiaoZhang 33 shandong")
print(ret)

运行结果：
[‘info’, ‘xiaoZhang’, ‘33’, ‘shandong’]

python贪婪和非贪婪

python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），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。
在”*”,”?”,”+”,”{m,n}”后面加上？，使贪婪变成非贪婪。

>>> s="This is a number 234-235-22-423"
>>> r=re.match(".+(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'4-235-22-423'
>>> r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'234-235-22-423'
>>>

• r的作用
  Python中字符串前面加上 r 表示原生字符串。解决正则表达式里使用“\”作为转义字符的问题

>>> ret = re.match(r"c:\\a",mm).group()
>>> print(ret)

结果：
c:\a