Python—正则

正则表达式(RegularExpression, re)

• 是一个计算机科学的概念
• 用于使用单个字符串来描述，匹配符合某个规则的字符串
• 常常用来检索，替换某些模式的文本

正则的写法

• .(点号):表示任意一个字符，除了\n, 比如查找所有的一个字符 .

• []: 匹配中括号中列举的任意字符，比如[L,Y,0] , LLY, Y0, LIU

• \d: 任意一个数字

• \D:除了数字都可以

• \s:表示空格，tab键

• \S:除了空白符号

• \w: 单词字符， 就是a-z, A-Z, 0-9, _

• \W: 除了

• ： 表示前面内容重复零次或者多次， \w

• +: 表示前面内容至少出现一次

• ？： 前面才出现的内容零次或者一次

• {m,n}:允许前面内容出现最少m次，最多n次

• ^:匹配字符串的开始

• $:匹配字符串的结尾

• \b:匹配单词的边界

• ():对正则表达式内容进行分组， 从第一个括号开始，编号逐渐增大

    验证一个数字： ^\d$
    必须有一个数字，最少一位：^\d+$
    只能出现数字，且位数为5-10位： ^\d{5,10}$
    注册者输入年龄，要求16岁以上，99岁以下： ^[16-99]$
    只能输入英文字符和数字： ^[A-Za-z0-9]$
    验证qq号码： [0-9]{5,12}
  

• \A: 只匹配字符串开头， \Aabcd, 则abcd

• \Z: 仅匹配字符串末尾， abcd\Z, abcd

• |: 左右任意一个

• (?P…): 分组，除了原来的编号再制定一个别名， (?P12345){2}， 1234512345

• (?P=name): 引用分组，

  ##RE使用的大致步骤
  #1.使用compile将表示正则的字符串编译为一个pattern对象
  #2.使用pattern对象提供的一系列方法对文本进行查找匹配，获得匹配结果，一个Match对象
  #3.最后使用Match对象提供的属性和方法获得信息，根据需要进行操作

RE常用函数

1.group（）：获得一个或者多个分组匹配的字符串，当要获得整个匹配的子串时，直接使用group或者group（0）
2.start：获取分组匹配的子串在整个字符串中的起始位置，参数默认为0
3.end：获取分组匹配的子串在整个字符串中的结束位置，参数默认为0
4.span：返回结构区间（start(group),end(group)）

import re
#定义规则，查找数字
p = re.compile(r'\d+')
m = p.match("one1112twothre24624")
print(m)
#找到是返回match值，没找到则返回None
#结果是None

m = p.match("one1112twothre24624",3,9)#在3-7闭区间里查找
print(m)
#结果：<re.Match object; span=(3, 7), match='1112'>

总结：

1.match可以输入参数表示起始位置
2.返回的是第一次查找到的内容

print(m[0])#第一次匹配到的内容
print(m.start(0))#第一次匹配到的起始位置
print(m.end(0))#第一次匹配到的结束位置

#re.I：忽略大小写
p = re.compile(r'([a-z]+) ([a-z]+)',re.I)
#分成两组，每组至少有一个小写字母组成，中间有个空格
m = p.match("I study in abc")
print(m)

#参数是0的话就是结果
print(m.group(0))#匹配整个子串
print(m.start(0))#参数默认为0
print(m.end(0))

#如果带有其他数字，就是在符合条件的内容里进行分组，比如刚才的 I study 是结果，那么 I 就是1，study就是2
print(m.group(1))
print(m.start(1))
print(m.end(1))
#结果：
# I
# 0
# 1

print(m.groups())
#结果：('I', 'study')

查找

1.serch(str,[,pos[,endpos]]):在字符串中查找匹配，pos和endpos为始终位置
2.findall：查找所有
3.finditer：查找，返回一个iter结果

import re
p = re.compile(r'\d+')
m = p.search("one112two223thr11")
print(m.group())


rst = p.findall("one112two223thr11")
print(type(rst))
print(rst)
#结果：
# <class 'list'>
# ['112', '223', '11']
#可见返回的是一个list类型

sub 替换

#sub(rep1,str[,count])

p = re.compile(r'(\w+) (\w+)')
s= "hello 444 world 111 hah,i study in NjUPT"
rst = p.sub("hello world",s)
print(rst)
#结果：
# hello world hello world hah,hello world hello world

匹配中文

#大部分中文内容表示范围是[u4e00-u9fa5],不包括全角符号

title = u'世界 你好，hello moto'
p = re.compile(r'[\u4e00-\u9fa5]+')
rst = p.findall(title)
print(rst)
#结果：['世界', '你好']

贪婪和非贪婪

贪婪：尽可能多的匹配，（*）表示贪婪匹配
非贪婪：找到符合条件的最小内容即可，（？）表示非贪婪
正则默认使用贪婪

import re

title = u'<div>name</div><div>age</div>'
p1 = re.compile(r'<div>.*</div>')
p2 = re.compile(r'<div>.*?</div>')
m1 = p1.search(title)
print(m1.group())
m2 = p2.search(title)
print(m2.group())
#结果：
# <div>name</div><div>age</div>
# <div>name</div>