Python：正则表达式

1. 什么是正则表达式

正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配

正则表达式是对字符串操作的一种逻辑公式，用事先定义好的一些特殊字符，以及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑

2. 字符串匹配方法

2.1 re.match()

re.match()：尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回None

import re
str = "张三李四王五赵六李四"

# match():只从开头匹配，不成功直接返回None
result = re.match("李四",str)
print(result) #None

2.2 re.search()

re.search()：扫描整个字符串并返回第一个成功的匹配

import re
str = "张三李四王五赵六李四"

# search():匹配的是整个字符串
result = re.search("李四",str)
print(result) #<re.Match object; span=(2, 4), match='李四'>
# span():返回匹配字符串所在位置
print(result.span()) #(2, 4)
# group():返回匹配内容
print(result.group()) #李四
# groups():返回一个包含所有小组字符串的元组，从1到所含的小组号
print(result.groups()) #()

2.3 re.findall()

re.findall()：返回所有成功的匹配字符串

import re

str = "张三李四王五赵六李四"
# findall():返回所有匹配的字符串
result = re.findall("李四",str)
print(result) #['李四', '李四']

3. 替换和分割

3.1 re.sub()

re.sub(pattern, repl, string, count=0, flags=0)：

• pattern: 正则中的模式字符串
• repl: 替换的字符串，也可为一个函数
• string: 要被查找替换的原始字符串
• count: 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配

import re
 
phone = "2004-959-559 # 这是一个国外电话号码"
 
# 删除字符串中的 Python注释 
num = re.sub(r'#.*$', "", phone)
print("电话号码是: ", num)
 
# 删除非数字(-)的字符串 
num = re.sub(r'\D', "", phone)
print("电话号码是 : ", num)

3.2 re.split()

re.split(pattern, string[, maxsplit=0, flags=0])：

• pattern：匹配的正则表达式
• string：要匹配的字符串
• maxsplit： 分隔次数，maxsplit=1 分隔一次，默认为 0，不限制次数
• flags：标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等

>>>import re
>>> re.split('\W+', 'runoob, runoob, runoob.')
['runoob', 'runoob', 'runoob', '']
>>> re.split('(\W+)', ' runoob, runoob, runoob.') 
['', ' ', 'runoob', ', ', 'runoob', ', ', 'runoob', '.', '']
>>> re.split('\W+', ' runoob, runoob, runoob.', 1) 
['', 'runoob, runoob, runoob.']

4. 正则符号

4.1 第一类符号

1. [ ]：

   • 用于表示一组字符，如果^是第一个字符，则表示的是一个补集
   • 如[0123]、[zxcv]、[‘@#￥]表示的是有限个字符
   • [0-9]、[a-z]表示的是字符集
   • [^0-9]表示的事除了数字外的字符

   import re
   
   s = "afo3oir45oij890aouih"
   result1 = re.findall("[1234][3456]",s)
   result2 = re.findall("[a-z][0-3][a-z]",s)
   result3 = re.findall("[^a-z][0-9][^a-z]",s)
   print(result1) #['45']
   print(result2) #['o3o']
   print(result3) #['890']
   

2. |：

   • a|b，表示匹配a或者b

3. ()：

   • (word1|word2|word3)，表示要么是word1，要么是word2，要么是word3
   • 一个()代表是一组，按照出现次序从1排列，若想调用分组排序，可用group(数字)
   • ?P<名字>可以给分组定义自己的名字

   import re
   
   email = "1123971628@qq.com"
   result = re.match(r"\w{5,20}@(163|126|qq)\.(com|cn)",email)
   print(result) #<re.Match object; span=(0, 17), match='1123971628@qq.com'>
   

4.2 第二类符号

1. *、+、?：

   • "*"用于将前面的模式匹配0次或多次，>=0
   • "+"用于将前面的模式匹配1次或多次，>=1
   • "?"用于将前面的模式匹配0次或1次，0或1

   import re
   
   s = "afo3oir45oij890aouih"
   result2 = re.findall("[a-z][0-9]*[a-z]",s)
   print(result2) #['af', 'o3o', 'ir', 'oi', 'j890a', 'ou', 'ih']
   result2 = re.findall("[a-z][0-9]+[a-z]",s)
   print(result2) #['o3o', 'r45o', 'j890a']
   result2 = re.findall("[a-z][0-9]?[a-z]",s)
   print(result2) #['af', 'o3o', 'ir', 'oi', 'ao', 'ui']
   

2. {m}、{m,}、{m,n}：

   • "{m}"用于验证将前面的模式匹配m次
   • "{m,}"用于验证将前面的模式匹配m次或者多次
   • "{m,n}"用于验证将前面的模式匹配大于等于m次并且小于等于n次

   import re
   
   # 验证是否为qq号码
   s = "1123971638"
   result = re.findall("[1-9][0-9]{5,11}",s)
   print(result) #['1123971638']
   result = re.findall("[1-9][0-9]{5}",s)
   print(result) #['112397']
   result = re.findall("[1-9][0-9]{5,}",s)
   print(result) #['1123971638']
   

4.3 第三类符号

1. .、^、$：

   • “.“用于匹配除换行符（\n）之外的所有字符，如果想要表示”.”，则可使用"."表示
   • "^"用于匹配字符串的开始，即行首，匹配时从头开始匹配
   • "$"用于匹配字符串的末尾，即行尾，一直匹配到结尾，如果末尾有\n，就匹配\n前面的那个字符

   import re
   
   # 验证是否为qq号码
   s = "1123971628386045673"
   result = re.findall("[1-9][0-9]{4,10}",s)
   print(result) #['1123971638']
   result = re.findall("^[1-9][0-9]{4,10}$",s)
   print(result) #[]
   
   s = "1123971628"
   result = re.findall("^[1-9][0-9]{4,10}$",s)
   print(result) #['1123971628']
   

4.4 第四类符号

1. \A、\Z、\b、\B、\d、\D、\S、\w、\W
   • \A：表示从字符串的开始处匹配
   • \Z：表示从字符串的结束处匹配，如果存在换行，只匹配到换行前的结束字符串。
   • \b：匹配一个单词边界，也就是指单词和空格间的位置。例如，’py\b’可以匹配"python"中的’py’文件，但不能匹配"openpyx1"中的’py’
   • \B：匹配非单词边界。’py\b’可以匹配"openpyx1"中的’py’，但不能匹配"python”中的’py’文件
   • \d：匹配任意数字，等价于[0-9]
   • \D：匹配任意非数字字符，等价于["\d]
   • \s：匹配任意空白字符，等价于[\t\n\r\f]
   • \S：匹配任意非空白字符，等价于[~\s]
   • \w：匹配任意字母数字及下划线，等价于[a-zA-Z0-9]
   • \W：匹配任意非字母数字及下划线，等价于[\w]
   • \：匹配原义的反斜杠\

5. 贪婪匹配与惰性匹配

Python里数量词默认是贪婪的（在少数语言中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