Python之re

定义：re模块称为正则表达式；

作用：创建一个"规则表达式"，用于验证和查找符合规则的文本，广泛用于各种搜索引擎、账户密码的验证等；

预定义字符:

"""
\d	匹配所有的十进制数字	0-9
\D	匹配所有的非数字，包含下划线
\s	匹配所有空白字符（空格、TAB等）
\S	匹配所有非空白字符，包含下划线
\w	匹配所有字母、汉字、数字	a-z A-Z 0-9
\W	匹配所有非字母、汉字、数字，包含下划线
"""

特殊字符:

1、$：匹配一行的结尾（必须放在正则表达式最后面）

2、^：匹配一行的开头（必须放在正则表达式最前面）

3、*：前面的字符可以出现0次或多次（0~无限）

4、+：前面的字符可以出现1次或多次（1~无限）

5、？：变"贪婪模式"为"勉强模式"，前面的字符可以出现0次或1次

6、.：匹配除了换行符"\n"之外的任意单个字符

7、|：两项都进行匹配

8、[ ]：代表一个集合，有如下三种情况

[abc]：能匹配其中的单个字符
[a-z0-9]：能匹配指定范围的字符，可取反（在最前面加入^）
[2-9] [1-3]：能够做组合匹配
9、{ }：用于标记前面的字符出现的频率，有如下情况：

{n，m}：代表前面字符最少出现n次，最多出现m次
{n，}：代表前面字符最少出现n次，最多不受限制
{，m}：代表前面字符最多出现n次，最少不受限制
{n}：前面的字符必须出现n次

反斜杠问题

字符串中有反斜杠的，需要对反斜杠做转义：

str = "\\123 223"		# \123 223
str = r"\123 223"		# \123 223

在正则表达式中，我们需要用多个反斜杠来匹配一个反斜杠：

find = re.search('\\\\\w+', str)
find = re.search(r'\\\w+', str)

匹配方法

1、match：在目标文本的开头进行匹配

find = re.math('hello', str1)		# 匹配成功返回匹配对象hello，不成功返回None

2、search：在整个目标文本中进行匹配

3、findall：扫描整个目标文本，返回所有与规则匹配的子串组成的列表，如果没有匹配的返回空列表

4、finditer：扫描整个目标文本，返回所有与规则匹配的子串组成的迭代器

5、fullmatch：要求目标文本要完全匹配规则，否则返回None

6、sub：将与规则匹配的子串替换为其他文本

str1 = re.sub('\w+', 'aaa', str, count=0)		# count默认为0，表示全部替换

7、split：从与规则匹配的子串进行切割，返回切割后子串组成的列表

8、匹配对象的方法（对匹配到的对象使用）：

（）：分组字符，可以为匹配到的内容分组，快速获取到分组中的数据

• group：用于查看指定分组匹配到的内容

str = '<p>这是一个<a href="###">文本</a></p>
find = re.search('<a href="(.+)">(\w+)</a>', str)
print(find.group())		# 默认为0，表示匹配到的全部文本，传入1时输出第一个分组###

• groups：返回一个元组，组内为所有匹配到的内容（上面案例输出（'###'，‘文本'））
• groupdict：返回一个字典，包含分组的键值对，需要为分组命名

find = re.search('<a href="(?P<href>.+)">(?P<text>\w+)</a>', str)

start：返回匹配到的内容在文本中的起始索引end：返回匹配到的内容在文本中的结束索引span：返回由起始索引和结束索引组成的元组 推荐

（一）原始字符 r的含义

• 将在python里有特殊意义的字符如\b、\r，转换成原生字符
• 就是去除它在python的特殊意义，字符串里是啥就是啥，不会改变

a="\\hello\b\r"
b=r"\\hello\b\r"
print(a)
print(b)
# \hello
#\\hello\b\r

1、正则表达式里边<.+?>表示匹配：“<”开始，其后至少含有1个除了“>”的任意字符，且再遇到“>”，就结束匹配。

2、< 表示：匹配字符“<”。

3、正则表达式中 .* 与 .*?

是贪婪匹配与非贪婪匹配的区别。

比如说匹配输入串A: 101000000000100

使用 1.*1 将会匹配到1010000000001, 匹配方法: 先匹配至输入串A的最后, 然后向前匹配, 直到可以匹配到1, 称之为贪婪匹配。

使用 1.?1 将会匹配到101, 匹配方法: 匹配下一个1之前的所有字符, 称之为非贪婪匹配。

所有带有量词的都是非贪婪匹配: .*?, .+?, .{2,6}? 甚至 .??

较为常用的元字符包括： “+”， “*”，以及 “?”。

“+”元字符规定其前导字符必须在目标对象中连续出现一次或多次。

“*”元字符规定其前导字符必须在目标对象中出现零次或连续多次。

“?”元字符规定其前导对象必须在目标对象中连续出现零次或一次。

后边多一个？表示懒惰模式。
必须跟在*或者+后边用
如：<img src="test.jpg" width="60px" height="80px"/>
如果用正则匹配src中内容非懒惰模式匹配
src=".*"
匹配结果是：src="test.jpg" width="60px" height="80px"
意思是从="往后匹配，直到最后一个"匹配结束
 

懒惰模式正则：
src=".*?"
结果：src="test.jpg"
因为匹配到第一个"就结束了一次匹配。不会继续向后匹配。因为他懒惰嘛。
 
.表示除\n之外的任意字符
*表示匹配0-无穷
 
 

JS:

(.+)默认是贪婪匹配

(.+?)为惰性匹配

疑问号让.+的搜索模式从贪婪模式变成惰性模式。

var str = 'aaa<div style="font-color:red;">123456</div>bbb'

<.+?>会匹配<div style="font-color:red;">

<.+>会匹配<div style="font-color:red;">123456</div>

要在浏览器测试结果的话，输入:

var str = 'aaa<div style="font-color:red;">123456</div>bbb'

str.match(/<.+?>/);

str.match(/<.+>/);