正则及举例

概念

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、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
正则表达式的应用场景
• 表单验证(例如 : 手机号、邮箱、身份证… )
• 爬虫
正则表达式对Python的支持

普通字符
字母、数字、汉字、下划线、以及没有特殊定义的符号，都是"普通字符"。
正则表达式中的普通字符，在匹配的时候,只匹配与自身相同的一个字符。
例如：表达式c，在匹配字符串abcde时，匹配结果是：成功；匹配到的内容
是c；匹配到的位置开始于2，结束于3。（注：下标从0开始还是从1开始，因
当前编程语言的不同而可能不同）

match()函数

• match(pattern, string, flags=0)
• 第一个参数是正则表达式，如果匹配成功，则返回一个match对象，否则返回一个None
• 第二个参数表示要匹配的字符串
• 第三个参数是标致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

result = re.match("IT","IT.com.cn")

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

元字符

正则表达式中使⽤了很多元字符，⽤来表示⼀些特殊的含义或功能

一些无法书写或者具有特殊功能的字符，采用在前面加斜杠""进行转义的方法。

例如下表所示
尚未列出的还有问号？、星号*和括号等其他的符号。所有正则表达式中具有特殊含义的字符在匹配自身的时候，都要使用斜杠进行转义。这些转义字符的匹配用法与普通字符类似，也是匹配与之相同的一个字符

预定义匹配字符集

正则表达式中的一些表示方法，可以同时匹配某个预定义字符集中的任意一个字符。比如，表达式\d可以匹配任意一个数字。虽然可以匹配其中任意字符，但是只能是一个，不是多个

匹配多个字符的相关格式

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

示例1：*

需求：匹配出，一个字符串第一个字母为大小字符，后面都是小写字母并且这些小写字母可有可无

import re

ret = re.match("[A-Z][a-z]*","MnnM")
print(ret.group())

示例2：+

需求：匹配出，变量名是否有效

i

import re

names = ["name1", "_name", "2_name", "__name__"]

for name in names:
    ret = re.match("[a-zA-Z_]+[\w]*",name)
    if ret:
        print("变量名 %s 符合要求" % ret.group())
    else:
        print("变量名 %s 非法" % name)

示例3：?

需求：匹配出，0到99之间的数字

import re

ret = re.match("[1-9]?[0-9]","7")
print(ret.group())

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

ret = re.match("[1-9]?\d","09")
print(ret.group())

示例4：{m}

需求：匹配出，8到20位的密码，可以是大小写英文字母、数字、下划线

import re

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

ret = re.match("[a-zA-Z0-9_]{8,20}","1ad12f23s34455ff66")
print(ret.group())

位置匹配和非贪婪匹配

位置匹配

有时候，我们对匹配出现的位置有要求，比如开头、结尾、单词之间等等

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)

- 匹配分组

- 字符	                  功能
-  |	            匹配左右任意一个表达式
-  (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

贪婪匹配和非贪婪匹配

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)
print(r.group(0))

r.group(1)
r.group(2)

正则表达式模式中使用到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串，在我们上面的例子里面，
“.+”会从字符串的启始处抓取满足模式的最长字符，其中包
括我们想得到的第一个整型字段的中的大部分，“\d+”只需
一位字符就可以匹配，所以它匹配了数字“4”，而“.+”则匹配
了从字符串起始到这个第一位数字4之前的所有字符。

解决方式：非贪婪操作符“？”，这个操作符可以用
在"*","+","?"的后面，要求正则匹配的越少越好。

import re
a = re.match(r"aa(\d+)","aa2343ddd").group(1)
print(a)

import re
a = re.match(r"aa(\d+?)","aa2343ddd").group(1)
print(a)

import re
a = re.match(r"aa(\d+)ddd","aa2343ddd").group(1)
print(a)

请提取url地址

re.search(r"https://.*?\.jpg", test_str)

正则表达式re.compile()的使用:

返回的是一个匹配对象，它单独使用就没有任何意义，需要和findall(), search(), match(）搭配使用。
compile()与findall()一起使用，返回一个列表

import re

def main():
    content = 'Hello, I am Jerry, from Chongqing, a montain city, nice to meet you……'
    regex = re.compile('\w*o\w*')
    x = regex.findall(content)
    print(x)

if __name__ == '__main__':
    main()

compile()与match()一起使用，可返回一个class、str、tuple。
但是一定需要注意match()，从位置0开始匹配，匹配不到会返回None，
返回None的时候就没有span/group属性了，并且与group使用，
返回一个单词‘Hello’后匹配就会结束。

import re

def main():
    content = 'Hello, I am Jerry, from Chongqing, a montain city, nice to meet you……'
    regex = re.compile('\w*o\w*')
    y = regex.match(content)
    print(y)
    print(type(y))
    print(y.group())
    print(y.span())

if __name__ == '__main__':
    main()

compile()与search()搭配使用, 返回的类型与match()差不多， 但是不同的是search(), 可以不从位置0开始匹配。但是匹配一个单词之后，匹配和match()一样，匹配就会结束

import re


def main():
    content = 'Hello, I am Jerry, from Chongqing, a montain city, nice to meet you……'
    regex = re.compile('\w*o\w*')
    z = regex.search(content)
    print(z)
    print(type(z))
    print(z.group())
    print(z.span())


if __name__ == '__main__':
    main()

校验数字的相关表达式

特殊场景的表达式:(emaill,域名，手机号，身份证，日期格式，ip)

re模块常用方法

compile(pattern, flags=0)

这个⽅法是re模块的工厂法，⽤于将字符串形式的正则表达式编译为Pattern模式对象，可以实现更加效率的匹配。第二个参数flag是匹配模式 使用compile()完成一次转换后，再次使用该匹配模式的时候就不能进行转换了。经过compile()转换的正则表达式对象也能使用普通的re⽅法

flag匹配模式

search(pattern, string, flags=0)

在文本内查找，返回第一个匹配到的字符串。它的返回值类型和使用方法与match()是一样的，唯一的区别就是查找的位置不用固定在文本的开头

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

findall(pattern, string, flags=0)

作为re模块的三大搜索函数之一，findall()和match()、search()的不同之处在于，前两者都是单值匹配，找到一个就忽略后面，直接返回不再查找了。而findall是全文查找，它的返回值是一个匹配到的字符串的列表。这个列表没有group()方法，没有start、end、span，更不是一个匹配对象，仅仅是个列表！如果一项都没有匹配到那么返回一个空列表

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")
print(ret)

split(pattern, string, maxsplit=0, flags=0)

re模块的split()方法和字符串的split()方法很相似，都是利用特定的字符去分割字符串。但是re模块的split()可以使用正则表达式，因此更灵活，更强大
split有个参数maxsplit，用于指定分割的次数

from re import split
a = split(',', 'aa,bb')
print(a)

sub()

sub(pattern, repl, string, count=0, flags=0)
sub()方法类似字符串的replace()方法，用指定的内容替换匹配到的字符，可以指定替换次数

需求：将匹配到的阅读次数加1

方法1：

import re

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

• 法2

import re

def add(temp):
    strNum = temp.group()
    num = int(strNum) + 1
    return str(num)

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

ret = re.sub(r"\d+", add, "python = 99")
print(ret)

把c++换成java

import re
str = "python = 9999, c = 7890, c++ = 12345"
ret = re.sub(r"c\+\+","java",str)#把c++换成java
print(ret)

分组功能
Python的re模块有一个分组功能。所谓的分组就是去已经匹配到的内容再筛选出需要的内容，相当于二次过滤。实现分组靠圆括号()，而获取分组的内容靠的是group()、groups()，其实前面我们已经展示过。re模块里的积个重要方法在分组上，有不同的表现形式，需要区别对待