自动化快速上手--python(24)--正则表达式

        这里是清安，本章我们来学习一下正则表达式，这也是前面没有接触过的。

        正则表达式有强大并且标准化的方法来处理字符串查找、替换以及用复杂模式来解析文本。正则表达式的语法比我们的程序 代码更紧凑，格式更严格，比用组合调用字符串处理函数的方法更具有可读性。甚至你可以在正则表达式中嵌入注释信息，这样就可以使它有自文档化的功能。

        直接看一则例子：

import re

s = 'My NAME IS QINGAN'
print(re.sub('QINGAN$', 'QA', s))

        首先，我们所学习的正则基于re模块。我们定义一个字符串，给定变量名为s，使用re中的sub方法。了解一下此处“^ 匹配字符串开始. $ 匹配字符串结尾“。所以我们这里匹配以QINGAN结尾的字符串，并用QA定性替代。s则是上述中的变量。

        那么再看看下面的例子：

import re

s = 'My NAME IS QINGAN'
print(re.sub('AN$', 'QA.', s))
print(re.sub('\\bAN$', 'ANAN', s))
print(re.sub(r'\bAN$', 'ANAN', s))

A = 'My NAME IS QINGANAN , QINGAN 2022'
print(re.sub(r'\bQINGAN$', 'QA.', A))
print(re.sub(r'\bQINGAN\b', 'QA.', A))

        为了在正则表达式中表达这个独立的词，你可以使用‘\b’。它的意思是“在右边必须有一个分隔符”。但是需要被转义，所以我加了r进行转义。

My NAME IS QINGQA.
My NAME IS QINGAN
My NAME IS QINGAN
My NAME IS QINGANAN , QINGAN 2022
My NAME IS QINGANAN , QA. 2022

        上述的结果就是这样，为什么\b..$的输出的还是一样的内容，上面说了\b的作用跟$的作用，因此，没有对应的匹配内容，此处需要匹配以QINGAN为结尾的字符串，但是碍于\b的作用，所以此处匹配不到。

        简单的小实例：

import re

phonePattern = re.compile(r'^(\d{3})‐(\d{3})‐(\d{4})$')
i = phonePattern.search('111‐555‐2222').groups()
print(i)

        此处用了re模块中的compile跟search方法。首先是匹配字符串开始位置，然后是(\d{3})。\d{3}表示什么意思？\d 表示任意的数字(0 到 9），{3}表示一定要匹配 3 个数字。并且把他们记做一个组。然后匹配一个连字符，接着匹配另外的 3 个数字，他们也同样作为一个组。然后又是一个连字符，后面还要准确匹配 4 个数字，他们也作为一位分组。最后匹配字符串结尾。

        为了使用正则表达式匹配到的这些分组，需要对 search()函 数的返回值调用 groups()方法。它会返回一个这个正则表达式 中定义的所有分组结果组成的元组。结果展示：

('111', '555', '2222')

        那么如果我后续还有很多的字符串或者我的字符串中间没有”-“怎么办呢。

phonePattern1 = re.compile(r'^(\d{3})\D+(\d{3})\D+(\d{4})\D+(\d+)$')
o = phonePattern1.search('111 222 3334 444').groups()
p = phonePattern1.search('111‐222‐3333‐4444').groups()
print(o, p)

        匹配了字符串开始，然后是 3 个数字的分组，接着是\D+，\D 匹配除了数字以外的任意字符，+的意思是一个或多个。因此\D+匹配一个或一个以上的非数字字符。这就是你用来替换连字符的东西，它用来匹配不同的分隔符。用\D+替换‐，意味着你可以匹配分隔符为空格的情况。

('111', '222', '3334', '444') ('111', '222', '3333', '4444')

        那么如果说我是连着的情况呢亦或者字符串中有一个英文字符。

import re

phonePattern = re.compile(r'^(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$')
i = phonePattern.search('1112223331234').groups()
o = phonePattern.search('111.222.3333 x1234').groups()
y = phonePattern.search('111‐222‐3333').groups()
print(i, o, y)

        这里和上面唯一不同的地方是，把所有的+换成了*。号码之 间的分隔符不再用\D+来匹配，而是使用\D*。还记得+表示一个或更多。现在可以解析号码之间没有分隔符的情况了。

        看变量o多了一个x但是，我们正则写的是\d*所以，此处的x是匹配不到的。

        那么我们再完善一下这个正则，让它过滤掉其他的情况，例如多了括号等情况：

import re

phonePattern = re.compile(r'^\D*(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$')
i = phonePattern.search('(111)2224444 com.1234').groups()
print(i)

        ^：匹配字符串的开头。现在除了在第一个分组之前要用\d*匹配 0 个或更多非数字字符外，这和前面的例子是相同的。注意你不会对这些非数字字符分组，因为他们不在圆括号内，也就是说不是一个组。即使区位码之前有圆括号，你也可以成功的解析电话号码了。（右边的圆括号已经处理，它被\D*匹配成一个非数字字符）。如果发现有这些字符，这里只是跳过他们，然后开始对后面的区域码匹配、分组。  

        最后还有一个例子需要注意一下。'work 1‐(111) 222.3333 #1234'。这种情况下，我们上述的正则是匹配不到的，那么怎样才能匹配到呢。

import re

# phonePattern = re.compile(r'^\D*(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$')
phonePattern = re.compile(r'(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$')
i = phonePattern.search('work 1‐(111) 222.3333 #1234').groups()
print(i)

        注意正则表达式没有^。不会再匹配字符串开始位置了。正则表达式不会匹配整个字符串，而是试图找到一个字符串开始匹配的位置，然后从这个位置开始匹配。 

        以下是本章所用到的小总结。

• ^ 匹配字符串开始位置。  
• $ 匹配字符串结束位置。  
• \b 匹配一个单词边界。  
• \d 匹配一个数字。  
• \D 匹配一个任意的非数字字符。   
• x* 匹配 0 个或更多的 x。  
• x+ 匹配 1 个或者更多 x。  
• x{n,m} 匹配 n 到 m 个 x，至少 n 个，不能超过 m 个。    
• (x) 这是一个组，它会记忆它匹配到的字符串。你可以用
re.search 返回的匹配对象的 groups()函数来获取到匹配的值。