正则表达式与re模块

一 .正则表达式与re模块的关系

正则表达式(regular expression)是对字符串数据的处理

re是python中的一个模块

1.正则模式是一门独立的技术，大多编程语言都支持使用

2.Python中想要使用正则表达式，需要先导入re模块

二.正则表达式

字符组:在一个位置可能出现的各种字符组成了一个字符组，在正则表达式中用[]表示(不加量词，一个字符组匹配一个字符)　

[0-9]	匹配0-9的数字
[a-z]	匹配a-z的小写字母
[A-Z]	匹配A-Z的大写字

　　ps：字符组必须依据ascii的顺序，从小到大排列。内部是转换成ASCII码来比较的

　　元字符:

.	匹配除换行符以外的任意字符
w	匹配字母或数字或下划线
s	匹配任意的空白符
d	匹配数字
W	匹配非字母数字或下划线
S	匹配非空白符
D	匹配非数字
	匹配换行符
	匹配制表符
	匹配单词结尾
^	以什么开头
$	以什么结尾
a\|b	匹配a或b
( )	括号内的p式，可以看成一个组
[...]	匹配字符组中的字符
[^..]	匹配字符组中以外的字符

　　使用技巧：

w,s,d与W,S,D有相反的匹配关系，对应的两者同时使用可以匹配所有字符

^与$连用能够精准匹配固定长度的目标字符,^只能出现在开头,$只能出现结尾

　　　　abc|ab使用或是建议长的字符串在前

　　量词：限制单个字符匹配的个数。

*	重复0次或更多次
+	重复1次或更多次
?	重复0次或1次
{n}	重复n次
{n,}	至少重复n次
{n,m}	重复n到m次

　　ps：量词写在某个字符组或字符之后，只对单个字符有效

　　转义字符：

　　用转义字符可以把特殊的元字符进行转义，在python中，在字符串前加r（raw）表示原生字符串即可

　　正则模式的贪婪模式与惰性模式

　　正则表达式会默认为贪婪模式，在满足匹配条件的情况下，尽可能多的匹配字符串。

　　非贪婪模式：加上？会将贪婪匹配模式转为非贪婪匹配模式，会匹配尽量短的字符串

　　非贪婪模式

*? 重复任意次，但尽可能少重复
+? 重复1次或更多次，但尽可能少重复
?? 重复0次或1次，但尽可能少重复
{n,m}? 重复n到m次，但尽可能少重复
{n,}? 重复n次以上，但尽可能少重复

.*?x意思是取前面任意长度的字符，直到一个x出现

三.re模块

三个必须掌握的方法：findall，search和match。

findall：第一个参数是正则表达式，第二个参数是待匹配的字符串

import re

ret = re.findall('[a-e]', 'eva egon yuan')  

print(ret) #['e', 'a', 'e', 'a']# 返回所有满足匹配条件的结果,放在列表里

View Code

search：

import re
ret = re.search('e', 'eva egon yuan')
print(ret) # 函数会在字符串内查找模式匹配,只到找到第一个匹配然后返回一个包含匹配信息的对象
if ret :
    print(ret.group())# # 该对象可以通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None。
# 并且需要注意的是如果ret是None，再调用.group()会直接报错。这一易错点可以通过if判断来进行筛选

View Code

match：

import re
ret = re.match('a', 'abc') # 同search,不过尽在字符串开始处进行匹配
print(ret)
if ret :
    print(ret.group())
# match是从头开始匹配，如果正则规则从头开始可以匹配上，就返回一个对象,需要用group才能显示
# 如果没匹配上就返回None，调用group()就会报错

View Code

其他方法：

ret = re.split('[ab]', 'abcd')  # 先按'a'分割得到''和'bcd',在对''和'bcd'分别按'b'分割
print(ret)  # ['', '', 'cd']

ret = re.sub('d', 'H', 'eva3egon4yuan4', 1)  # 将数字替换成'H'，参数1表示只替换1个
print(ret)  # evaHegon4yuan4

ret = re.subn('d', 'H', 'eva3egon4yuan4')  # 将数字替换成'H'，返回元组(替换的结果,替换了多少次)
print(ret)

obj = re.compile('d{3}')  #将正则表达式编译成为一个 正则表达式对象，规则要匹配的是3个数字
ret = obj.search('abc123eeee') #正则表达式对象调用search，参数为待匹配的字符串
print(ret.group())  #结果 ： 123

import re
ret = re.finditer('d', 'ds3sy4784a')   #finditer返回一个存放匹配结果的迭代器
print(ret)  # <callable_iterator object at 0x10195f940>
print(next(ret).group())  #查看第一个结果
print(next(ret).group())  #查看第二个结果
print([i.group() for i in ret])  #查看剩余的左右结果

View Code

分组优先;

search,mach分组优先

res = re.search('^[1-9]d{14}(d{2}[0-9x])?$',110105199812067023)
print(res.group())
print(res.group(1))  # 获取正则表达式括号阔起来分组的内容
print(res.group(2))  # search与match均支持获取分组内容的操作  跟正则无关是python机制

View Code

findall 分组优先

# 而针对findall它没有group取值的方法，所以它默认就是分组优先获取的结果
ret = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com')
print(ret)  # ['oldboy']     这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可

View Code

取消分组优先

方法分组里加？：

ret = re.findall('www.(?:baidu|oldboy).com', 'www.oldboy.com')  # ?:取消分组优先

View Code

起别名

分组中利用?P<name>的形式给分组起名字

ret = re.search("<(?P<tag_name>w+)>w+</(?P=tag_name)>","<h1>hello</h1>")
#还可以在分组中利用?P<name>的形式给分组起名字
#获取的匹配结果可以直接用group('名字')拿到对应的值
print(ret.group('tag_name'))  #结果 ：h1

View Code