1、正则表达式概述
正则表达式(英语：Regular Expression，在代码中常简写为regex、regexp或RE），是计算机科学的一个概念。
正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。
在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。
2、re模块
2.1re 模块
使 Python语言拥有全部的正则表达式功能。
re 模块提供了一些函数，这些函数使用一个模式字符串做为它们的第一个参数，用于正则表达式匹配和替换。
2.2re模块的使用
- re.match 函数
re.match 尝试从字符串的起始位置匹配一个模式，若字符串起始位置匹配正则表达式，则match方法返回匹配对象（Match Object），如果不是起始位置匹配成功的话，match()就返回none（注意不是“空字符串”）。
- 语法：
re.match(pattern, string, flags=0)
- 参数：
pattern – 匹配的正则表达式
string – 要匹配的字符串。
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。
匹配对象Macth Object具有group方法，我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
group(num=0)
匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。
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。
示例1：
# 导入re模块
import re
# 使用match方法进行匹配操作
result = re.match(正则表达式,要匹配的字符串)
# 如果上一步匹配到数据的话，可以使用group方法来提取数据
result.group()
示例2：
import re
ret = re.match("taobao","taobao.com")
print(ret)
print(ret.group())
运行结果：
<_sre.SRE_Match object; span=(0, 6), match='taobao'>
taobao
3、表示字符
正则表达式的单字符匹配：
| 字体 | 功能 |
|---|---|
| . | 匹配任意一个字符(除了\n) |
| [] | 匹配[]中列举的字符 |
| \d | 匹配数字，即0-9 |
| \D | 匹配非数字，即不是数字 |
| \s | 匹配空白，即 空格，tab键 |
| \S | 匹配非空白 |
| \w | ==匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。== |
| \W | 匹配非单词字符 |
匹配中文字符的正则表达式： [\u4e00-\u9fa5]
- 示例1：‘.’
匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
ret = re.match('.','a')
print(ret.group())
ret = re.match('.','A')
print(ret.group())
ret = re.match('.',' ')
print(ret.group())
ret = re.match('.','\nab')
print(ret.group()) 错误
ret = re.match('..','\rab')
print(ret.group())
ret = re.match('..','\tab')
print(ret.group())
ret = re.match('.','好好学习')
print(ret.group())
ret = re.match('....','好好学习')
print(ret.group())
- 示例2：’[ ]‘
用来表示一组字符,单独列出：[amk] 匹配 ‘a’，’m’或’k’
ret = re.match('[Hh]','hello')
print(ret.group())
ret = re.match('[Hh]','Hello')
print(ret.group())
ret = re.match('[A-Z]','Hello')
print(ret.group())
ret = re.match('[0-9a-z]','00')
print(ret.group())
ret = re.match('[0-9a-z]','aa')
print(ret.group())
ret = re.match('[\u4e00-\u9fa5]*','陈佳睿')
print(ret)
print(ret.group())
- 示例3：’\d, \D, \s, \S‘
\d – 匹配一个数字字符。等价于 [0-9]。
\D –匹配一个非数字字符。等价于 [^0-9]。
\s –匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S –匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
ret = re.match('小米\d','小米6')
print(ret.group())
ret = re.match('小\D\d','小米6')
print(ret.group())
ret = re.match('\s',' 小米')
print(ret)
ret = re.match('\s','\nab')
print(ret)
ret = re.match('\S','小米')
print(ret)
ret = re.match('\S','0123')
print(ret)
ret = re.match('\S\S\S','x米6')
print(ret)
运行结果：
小米6
小米6
<_sre.SRE_Match object; span=(0, 1), match=' '>
<_sre.SRE_Match object; span=(0, 1), match='\n'>
<_sre.SRE_Match object; span=(0, 1), match='小'>
<_sre.SRE_Match object; span=(0, 1), match='0'>
<_sre.SRE_Match object; span=(0, 3), match='x米6'>
- 示例4：’\w, \W‘
\w ==匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。==。
\W 匹配任何非单词字符。等价于 ‘[^A-Za-z0-9_]’。
ret = re.match('\w','hello')
print(ret)
ret = re.match('\w\w','_hello')
print(ret)
ret = re.match('\w','陈')
print(ret)
ret = re.match('\W\W\w','。.Hello')
print(ret)
ret = re.match('\W','陈hello')
print(ret) #None
ret = re.match('\W','陈hello',re.ASCII) #匹配各个国家文字
print(ret) #<_sre.SRE_Match object; span=(0, 1), match='陈'>\
ret = re.match('[\u4e00-\u9fa5]','哈hello')
print(ret)
运行结果：
<_sre.SRE_Match object; span=(0, 1), match='h'>
<_sre.SRE_Match object; span=(0, 2), match='_h'>
<_sre.SRE_Match object; span=(0, 1), match='陈'>
<_sre.SRE_Match object; span=(0, 3), match='。.H'>
None
<_sre.SRE_Match object; span=(0, 1), match='陈'>
<_sre.SRE_Match object; span=(0, 1), match='哈'>
4、原始字符串
>>> mm = "c:\\a\\b\\c"
>>> mm
'c:\\a\\b\\c'
>>> print(mm)
c:\a\b\c
>>> print(mm)
c:\a\b\c
>>> re.match("c:\\\\",mm).group()
'c:\\'
>>> ret = re.match("c:\\\\",mm).group()
>>> print(ret)
c:\
>>> ret = re.match("c:\\\\a",mm).group()
>>> print(ret)
c:\a
>>> ret = re.match(r"c:\\a",mm).group()
>>> print(ret)
c:\a
>>> ret = re.match(r"c:\a",mm).group()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
python中字符串前面加上 r 表示原生字符串
与大多数编程语言相同，正则表达式里使用”\”作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”\”，那么使用编程语言表示的正则表达式里将需要4个反斜杠”\”：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题，有了原始字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。
>>> ret = re.match(r"c:\\a",mm).group()
>>> print(ret)
c:\a
5、表示数量
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,} | 匹配前一个字符至少出现m次 |
| {m,n} | 匹配前一个字符出现从m到n次 |
6、表示边界
| 字符 | 功能 |
|---|---|
| ^ | 匹配字符串开头 |
| $ | 匹配字符串结尾 |
| \b | 匹配一个单词的边界 |
| \B | 匹配非单词边界 |
- 示例1：$
需求：匹配163.com的邮箱地址
import re
# 正确的地址
ret = re.match("[\w]{4,20}@163\.com", "xiaoWang@163.com")
ret.group()
# 不正确的地址
ret = re.match("[\w]{4,20}@163\.com", "xiaoWang@163.comheihei")
ret.group()
# 通过$来确定末尾
ret = re.match("[\w]{4,20}@163\.com$", "xiaoWang@163.comheihei")
ret.group()
- 示例2: \b
>>> re.match(r".*\bver\b", "ho ver abc").group()
'ho ver'
>>> re.match(r".*\bver\b", "ho verabc").group()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
>>> re.match(r".*\bver\b", "hover abc").group()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
- 示例3：\B
>>> re.match(r".*\Bver\B", "hoverabc").group()
'hover'
>>> re.match(r".*\Bver\B", "ho verabc").group()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
>>> re.match(r".*\Bver\B", "hover abc").group()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
>>> re.match(r".*\Bver\B", "ho ver abc").group()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
7、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>) | 分别起组名 |
| (?P=name) | 引用别名为name分组匹配到字符串 |
- 示例1：|
需求：匹配出0-100之间的数字
import re
ret = re.match("[1-9]?\d","8")
print(ret)
ret = re.match("[1-9]?\d","78")
print(ret)
# 不能正常匹配到的情况
ret = re.match("[1-9]?\d","08")
print(ret)
# 修正之后的
ret = re.match("[1-9]?\d$","8")
print(ret)
# 添加|
ret = re.match("[1-9]?\d$|100","8")
print(ret)
ret = re.match("[1-9]?\d$|100","78")
print(ret)
ret = re.match("[1-9]?\d$|100","8")
print(ret)
ret = re.match("[1-9]?\d$|100","100")
print(ret)
运行结果：
<_sre.SRE_Match object; span=(0, 1), match='8'>
<_sre.SRE_Match object; span=(0, 2), match='78'>
<_sre.SRE_Match object; span=(0, 1), match='0'>
<_sre.SRE_Match object; span=(0, 1), match='8'>
<_sre.SRE_Match object; span=(0, 1), match='8'>
<_sre.SRE_Match object; span=(0, 2), match='78'>
<_sre.SRE_Match object; span=(0, 1), match='8'>
<_sre.SRE_Match object; span=(0, 3), match='100'>
- 示例2：( )
需求：匹配出163、126、qq邮箱之间的数字
import re
ret = re.match("\w{4,20}@163\.com", "test@163.com")
ret.group()
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@126.com")
ret.group()
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@qq.com")
ret.group()
ret = re.match("\w{4,20}@(163|126|qq)\.com", "test@gmail.com")
ret.group()
>>> ret = re.match("([^-]*)-(\d+)","010-12345678")
>>> ret.group()
'010-12345678'
>>> ret.group(1)
'010'
>>> ret.group(2)
'12345678'
- 示例3：\
需求：匹配出<html>hh</html>
import re
# 能够完成对正确的字符串的匹配
ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</html>")
ret.group()
# 如果遇到非正常的html格式字符串，匹配出错
ret = re.match("<[a-zA-Z]*>\w*</[a-zA-Z]*>", "<html>hh</htmlbalabala>")
ret.group()
# 正确的理解思路：如果在第一对<>中是什么，按理说在后面的那对<>中就应该是什么
# 通过引用分组中匹配到的数据即可，但是要注意是元字符串，即类似 r""这种格式
ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</html>")
ret.group()
# 因为2对<>中的数据不一致，所以没有匹配出来
ret = re.match(r"<([a-zA-Z]*)>\w*</\1>", "<html>hh</htmlbalabala>")
ret.group()
- 示例4：\number
需求：匹配出<html><h1>www.taobao.com</h1></html>
import re
ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.taobao.com</h1></html>")
ret.group()
ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", "<html><h1>www.taobao.com</h2></html>")
ret.group()
- 示例5：(?P<name>) (?P=name)
需求：匹配出<html><h1>www.taobao.com</h1></html>
import re
ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.taobao.com</h1></html>")
ret.group()
ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.taobao.com</h2></html>")
ret.group()
(?P<name>)和(?P=name)中的字母P大写
8、re模块的高级用法
8.1search
需求：匹配出文章阅读的次数
import re
ret = re.search(r"\d+", "阅读次数为 9999")
print(ret.group())
9999
8.2findall
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)
['9999', '7890', '12345']
8.3sub 将匹配到的数据进行替换
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)
python = 998
方法2：
import re
def add(temp):
strNum = temp.group()
num = int(strNum) + 1
return str(num)
ret = re.sub(r"\d+", add, "python = 997 java=100")
print(ret)
ret = re.sub(r"\d+", add, "python = 99")
print(ret)
python = 998 java=101
python = 100
从下面的字符串中取出文本
<div>
<p>岗位职责：</p>
<p>完成推荐算法、数据统计、接口、后台等服务器端相关工作</p>
<p><br></p>
<p>必备要求：</p>
re.sub(r'</?\w*>|\n|\s','',s)
8.4split
- 根据匹配进行切割字符串，并返回一个列表
需求：切割字符串“info:xiaoZhang 33 shandong”
import re
ret = re.split(r':| ','info:xiaoZhang 33 shandong')
print(ret)
['info', 'xiaoZhang', '33', 'shandong']
9、贪婪和非贪婪
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"
ret = re.match(".+(\d+-\d+-\d+-\d+)",s)
print(ret.group())
This is a number 234-235-22-423
ret = re.match(".+?(\d+-\d+-\d+-\d+?)",s)
print(ret.group())
This is a number 234-235-22-4
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。
