python算法（一）—正则表达式

python正则表达式这一块把内容有点多，不能一触而就，每次使用的时候记忆一点，之后基本就都记下来了。

在python里面使用正则表达式先要导入包 import re，之后首先要记住re里面经常用的函数，这里详细回忆一下。

• re.compile()这个函数是根本的目的返回一个pattern。
• re.match(pattern, str),从str头开始匹配，匹配到了返回（start_position， end_position），匹配不到返回None。
• re.search(pattern, str),从整个str匹配，不是从头匹配，匹配到了就返回（start_position， end_position），只匹配一次。匹配不到返回None。
• re.findall(pattern, str),从整个str匹配，返回所有匹配到的部分，构成一个list，匹配全部，没匹配到返回空列表。
• re.finditer(pattren, str)从整个str匹配，返回所有匹配到的部分，构成一个迭代器，匹配全部。
• re.sub(pattern,rep,  str, count=0),从整个str匹配，找到后用rep替换，全部匹配，但是替换几个是由count决定的，默认为0表示全部替换。参数比上面的统一模式少二个参数。
• re.split(pattern, str),从整个str匹配，匹配之后按照匹配的分割，返回分割之后的list。

1. 那么函数知道了之后，下一步就是书写pattern获取的修饰符。
2. re --- 正则表达式操作 — Python 3.10.4 文档
3. Python 正则表达式 | 菜鸟教程
4. python | 史上最全的正则表达式_hurt--的博客-CSDN博客_python正则表达式 这个链接非常好。
5. 下面对常用的几点进行介绍，后面再使用的再次补充：

• （）和[ ]以及{ } 和 | 的区别。（）是里面由好几个表达式，一般里面是采用 |将好几个表达式隔开，如(abc|bcd|cde)，表示这一段是abc、bcd、cde三者之一均可，顺序也必须一致，匹配的是字段。[ ]里面虽然也是多种，一般是[0-9a-zA-Z]表示只要满足一个就行，所以个（）本质的区别虽然都是或关系，但是[ ]只要获取一个字符，而（）是获取一个字段。| 这个就表示或，二选一。{ }一般表示次数，{m}, {m, n}等等。<>无特殊意思，直接按照<>当作字母匹配。
• 以上四个符号本身不匹配，仅仅是一种功能标识符。
• ^从头开始匹配，&从尾开始匹配，.匹配任意字符。
•  * + ？分别表示匹配当前字段次数是 >=0, >=1, 0|1,模式是贪婪模式，即尽可能多的匹配。只要后面加一个？，构成 *？，+？，？？就变成最少匹配。
• []和[^]的区别要知道,这个非常重要。注 | 在[ ]就不表示或了，而表示字符本身，这是个特殊的点。
• 各种\字母（三种重要\d\s\w）是比较重要的。
• 对于转义字符这里是非常重要的，转义字符主要是包含编译器编译的时候转义一次，代码解析的时候再次转义，使用r的话会屏蔽掉代码解析的那次转义，告诉编译器你编译的时候别动我，我这个r后面这个是一个整体。但正常匹配的话按照规定匹配就行了，要什么r里面写什么就行了，如果想匹配正则里面的特殊字符，此时就要再在r里面再写一个\,告诉解析的：我这里当作字符本身使用，而不当作转义字符使用。例子：我现在想匹配一个 \, 但是这个 \ 在编译器是转义的字符，在解析器也是转义的字符，所以如果直接不考虑编译器，只考虑解析器的话 r'\\'就可以了，但是如果不写r，那么就要考虑编译器对于当前字符是不是转义字符了，当前的 \是，所以就变成 \\\\了，看起来比较繁琐，所以一般都要屏蔽掉编译器，直接考虑解析器，使用r。 所以只需要记住解析器那些事特殊字符，如果匹配特殊字符本身，就需要加 \ ,由于屏蔽掉了编译器的转义字符，所以不必要记忆编译器的转义字符。

  功能字符 ：     ‘.’ ‘*’ ‘+’ ‘|’ ‘?’ ‘^’ ‘$’ ‘\’ 等，它们有特殊的功能含义。特别是 ’\' 字符，它是转义引导符号，跟在它后面的字符一般有特殊的含义。

  规则分界符： ‘[‘ ‘]’ ‘ （ ’ ‘ ） ’ ‘{‘ ‘}’ 等，也就是几种括号了。

  预定义转义字符集： “\d”  “\w” “\s” 等等，它们是以字符 ’\’ 开头，后面接一个特定字符的形式，用来指示一个预定义好的含义。

  其它特殊功能字符： ’#’ ‘!’ ‘:’ ‘-‘ 等，它们只在特定的情况下表示特殊的含义。比如我现在想匹配'\d\n\'这几个字符，那么么就要写成  r'\d'

• 那么当匹配到字符之后，每一个满足条件的字串都有四个自带的方法。start(), end(), span(), group(),前三个都好理解，不好理解的就是第四个，本来group是对于表达式里面有（）的进行返回，意思是表达式里面有（），那么group就返回（）匹配到的内容，加入表达式有3个括号，那么匹配到（）里面的东西就返回为group(),获取每一个括号的呢内容，按照（）的顺序依次group(1), group(2), group(3),可以发现没有group(0),系统设置group(0)式匹配到的真个串，当然包括三个括号，这是因为一个表达式不会只有三个（），一定还有别的内容，给与group(0)返回整个匹配到的字串，给与其余的group让我们灵活的调用匹配到的（）里面的内容，所以目的式非常灵活的。所以对于没有（）的表达式pattern，group(0)就表示匹配到的整个字串，这就是为什么没有表达式里面（）也会有group(）这个自带的函数。

• 今天对于py的正则表达又有了新的认知，就是[]还是匹配单个字符，里面的内容是对单个字符范围的划定，里面也可以整多个匹配条件，可以直接并列着写，也可以直接用 | 隔开。所以[]里面可以写多个或条件，每一个条件都是对于一个字符范围的划定，不用添加 |。如[a-zA-Z0-9] = [a-z | A-Z | 0-9]，也可以匹配多个字符，那么就需要写多个[][]了。

• 而()组的概念，它里面是对于串的匹配，不是字符了，是字符串的匹配，所以它里面就可以写任意的基础模板，比如([a-zA-Z]+\w*?),之类的，那么前提就要知道各个基础的模板的作用，比如*?,+?,??都是非贪婪匹配，而单独的？却是只匹配0次或者1次。[^a]是除了a以外的都匹配，而单独的^却表示从头匹配。

• 比较复杂的就是()*()?之类的，在组外面在进行基本的模板操作。

• 还有最重要的一定就是匹配之后的组可以被外面捕获并结合替换。para = re.sub('([，。；．！~？\?])([^”’])', r"\1\n\2", para)  # 单字符断句符，这个\1就是捕获第一个组，\2捕获第二个组，然后把捕获的通过\n拼接起来替换，这太巧妙了，当然还可以给组命名，然后再后面第二个组匹配的时候依赖第一个组的匹配情况，这太爽了。