python学习笔记--正则表达式

正则表达式（基础知识）

作用：帮助检查一个字符串是否与某种模式匹配。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

1.匹配规则：

 对于单个字符的匹配，\d匹配一个数字；\w匹配一个字母或数字；.可以匹配任意字符；\s匹配一个空格（包括tab等空白符）。

 对于匹配变长的字符，*表示任意长度的字符（包括0）；+表示至少一个字符；?表示0个或1个字符；{n}表示n个字符；{n,m}表示n~m个字符。例如：\d3\-\d{3,8}表示可以匹配像’025-1234567’这样任意带区号的号码（解释，其中’-'前的斜杠是因为它需要转义）。

 更精细地，[]表示范围，如：[0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线；[0-9a-zA-Z\_][0-9a-zA-Z\_]{0,19}可以匹配由一个数字，字母或下划线开头，后接0~19由一个数字、字母或者下划线组成的字符串。

 A|B可以匹配A或B，所以（P|p）ython可以匹配’Python’或’python’。^表示行的开头，^\d表示必须以数字开头。$表示行的结束，\d$表示必须以数字结束。

2.Python的re模块使用：

 re.match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。

 切分字符串，re.split()可以将不规则的字符串切分成正确的列表。

>>>str1 ='a b   c' 
>>>str1.split()  #无法识别连续的空格
['a','b','','','c']
>>>import re
>>>re.split(r'\s+',str1)
['a','b','c']
>>>re.split(r'[\s\,]+','a, b   c')
['a','b','c']

 分组，正则表达式中定义了组的概念，在Match对象上用group()方法可以将字符串的子串提取出来。

>>>import re
>>>m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>>m.groups()
('010','12345')
>>>m.group(0)
'010-12345'
>>>m.group(1)
'010'
>>>m.group(2)
'12345'

 编译，当一个正则表达式要重复使用几千次时，可以先对正则表达式进行预编译。

>>> import re
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$') #编译
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')

知识扩展

1.机器编码：
 ASCII编码（127个字符，包括字母，数字和一些符号）是1个字节；Unicode编码（包括所有语言）通常是2个字节；UTF8编码是可变长的（为了节省空间），常用的英文字母被编码成1个字节，汉字通常是3个字节，很生僻的字符才会被编码成4-6个字节。
 所以，现在计算机系统通用的字符编码工作方式是：在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件。浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器。
 对于单个字符的编码，Python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符。例如：

>>> ord('A')
65
>>> ord('中')
20013
>>> chr(66)
'B'
>>> chr(25991)
'文'

2.判断句 if x: 代表的是如果x不是非零数值、非空字符串、非空list等，就判断为True。

3.输入x = input('input_string:')，返回的x是个字符串str，即使输入的是数字。
 判断输入是否为数字if x.isdigit()，返回True就代表输入位数字。同样的还有isalnum()所有字符都是数字或者字母；isalpha()所有字符都是字母；isupper()都是大写；islower都是小写；istitle()所有单词首字母都是大写；isspace()所有字符都是空白字符\t,\r,\n等。

4.可变对象和不可变对象的本质区别：对于不变对象来说，调用对象自身的任意方法，也不会改变该对象自身的内容。相反，这些方法会创建新的对象并返回，这样，就保证了不可变对象本身永远是不可变的。

>>>a = 'abc'
>>>a.replace('a','A')  #a变量指向的对象本身不会改变
'Abc'
>>>a
'abc'
>>>b = a.replace('a','A')  #新创建一个对象并返回
>>>b
'Abc'

5.函数中默认参数必须指向不变对象，否则默认参数会随着指向对象的改变而变化的。

>>>def add_end(L=[])
>>>    L.append('end')
>>>    return L
>>>add_end()
['end']
>>>add_end()
['end','end']

 函数还可以定义可变参数，即在参数前加*，表示输入参数个数可以是任意个，既可以是0个，也可以是n个。

>>>def calc(*numbers):
>>>    sum = 0
>>>    for n in numbers:
>>>        sum = sum + n * n
>>>    return sum
>>>calc()
0
>>>calc(1,2)
3
>>>calc([1,2,3,4])
10

 此外，还可以定义关键字参数（即在参数前加**）允许你传入0个或任意个含参数名的参数，这些关键字参数在函数内部自动组装为一个dict。

>>>def person(name, age, **kw):
>>>    print('name:', name, 'age:', age, 'other:', kw)
>>>person('Adam', 45, gender='M', job='Engineer')
name: Adam age: 45 other: {'gender': 'M', 'job': 'Engineer'}

 可以通过命名关键词参数来限制关键词参数的名字。def person(name, age, *, city, job)表示其他参数只接收city和job参数。且命名关键字参数必须传入参数名。

6.使用递归函数需要注意防止栈溢出。在计算机中，函数调用是通过栈（stack）这种数据结构实现的，每当进入一个函数调用，栈就会加一层栈帧，每当函数返回，栈就会减一层栈帧。由于栈的大小不是无限的，所以，递归调用的次数过多，会导致栈溢出。

7.sys模块中有一个argv变量，用list存储了命令行的所有参数。argv至少有一个元素，因为第一个参数永远是该.py文件的名称。运行python3 hello.py获得的sys.argv就是[hello.py]；运行python3 hello.py Machael获得的sys.argv就是[hello.py, Machael]。

8.python文件中if _name_=='_main_'的意义是当在命令行运行该文件时，会将_name_置为_main_；而在其他地方导入该模块（即该文件）时，if判断将失败。因此，这种if测试可以让一个模块通过命令行运行时执行一些额外的代码，最常见的就是运行测试。

9.私有变量和函数，python并没有一种方法限制private函数或变量的访问，但从编程习惯上来讲是不应该引用private函数或变量的。像_xxx或__xxx这样的变量或函数就是private的，非公开的。


参考内容：

 廖雪峰的官方网站