正则表达式

正则表达式

　　正则表达式，又称规则表达式。是计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个规则的文本。以往对字符数据处理时通常使用字符串函数，当我们了解正则表达式后，会发现正则表达式简单高效。正则表达式在不同的语言中使用方法不同，本质上区别不大。在Python语言中使用正则时需要导入模块re，下面内容主要概述基本使用方法。

re.match函数

　　re.match 从字符串的起始位置匹配一个模式，如果起始位置没有匹配成功match()就返回none；如果匹配成功就返回匹配对象Match Object，然后可以通过对象具有的方法group()提前字符串匹配的部分。

 re.match(pattern, string, flags=0)

　　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

import re

s = "love Python3"
result = re.match("lov", s)
print(result)
print(result.group())

output：
<re.Match object; span=(0, 3), match='lov'>
lov

常见匹配字符

单字符匹配

>>> re.match(".","abc").group()
'a'
>>> re.match("[aA]","abc").group()
'a'
>>> re.match("[0-9]","123abc").group()
'1'
>>> re.match("今天d号","今天3号").group()
'今天3号'

匹配多个字符的相关格式---表数量

>>> re.match("[A-Za-z]*","Shanghai").group()
'Shanghai'
>>> re.match("[A-Za-z]+w","Shanghai_55").group()
'Shanghai_'
>>> re.match("[A-Za-z]+w*","Shanghai_55").group()
'Shanghai_55'
#匹配0-99
>>> re.match("[1-9]?[0-9]","99").group()
'99'
>>> re.match("w{6}","1343a_de454").group()
'1343a_'
>>> re.match("w{6,9}","1343a_de454").group()
'1343a_de4'
>>> re.match("w{6,}","1343a_de454").group()
'1343a_de454'

边界匹配

>>> re.match(".*\bllo\b","he llo world").group()
'he llo'
>>> re.match(r".*llo","he llo world").group()
'he llo'

　　在正则表达式中“”通常作为转义字符出现，如单词边界分隔符""，在使用时需要双\。如果出现多个反斜杠岂不是很麻烦，可能造成漏写，因此Python里的原生字符串很好地解决了这个问题，即在字符串前面使用r，这样写出来的表达式更加直观了。

>>> re.match(r".*llo","hello world").group()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
>>> re.match(r".*llo","he lloworld").group()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'

　　匹配单词边界，要求匹配的字符要么位于首端、末端或者字符两端空格。

>>> re.match(r".*lloB","lloh").group()
'llo'
>>> re.match(r".*BlloB","helloh").group()
'hello'
>>> re.match(r".*BlloB","hello").group()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
>>> re.match(r".*Bllo","llo").group()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'

B匹配非单词边界，要求匹配的字符不能位于首端、末端或者有空格。

匹配分组

#匹配0-100
>>> re.match(r"[1-9]?d$|100","92").group()
'92'
#匹配分组
>>> re.match("([^-]*)-(d+)","0761-3601110").group()
'0761-3601110'
>>> re.match("([^-]*)-(d+)","0761-3601110").groups()
('0761', '3601110')
>>> re.match("([^-]*)-(d+)","0761-3601110").group(1)
'0761'
>>> re.match("([^-]*)-(d+)","0761-3601110").group(2)
'3601110'

分组匹配：<html><h1>www.baidu.cn</h1></html>

umber

>>> s = "<html><h1>www.baidu.cn</h1></html>"
>>> re.match(r"<(w*)><(w*)>.*</2></1>",s).group()
'<html><h1>www.baidu.cn</h1></html>'

前后标签一致可以使用分组（），第一个分组为1，第二个为2，依次类推。

(?P<name>) (?P=<name>)

>>> s = "<html><h2>www.baidu.cn</h2></html>"
>>> re.match(r"<(?P<lab1>w*)><(?P<lab2>w*)>.*</(?P=lab2)></(?P=lab1)>",s).group()
'<html><h2>www.baidu.cn</h2></html>'

　　？P定义分组别名name，？P=为使用分组别名。当使用的分组较多时，用 umber不够直观可能会出错，使用分组别名替代 umber更加直观可以避免混乱。

search方法

　　search扫描整个字符串并返回第一个成功的匹配字串，search方法和match方法的区别就是match从头开始匹配。

re.search(pattern, string, flags=0)

　　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

>>> s = "Cats are smarter than dogs"
>>> re.search(r"smarter", s).group()
'smarter'
>>> re.search(r"d+","一年365天").group()
'365'

findall方法

　　在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。 match 和 search 是匹配一次 findall 匹配所有。

findall(pattern, string, flags=0):

　　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

>>> re.findall(r"d+","android9,python3,java10")
['9', '3', '10']

finditer方法

与findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。

finditer(pattern, string, flags=0)

　　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

s = "android9,python3,java10"
it = re.finditer(r"d+", s)
for res in it:
    print(res.group())

output:
9
3
10

split方法

方法按照能够匹配的子串将字符串分割后返回列表。

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

　　pattern：匹配的正则表达式

　　string：要匹配的字符串

　　maxsplit：分隔次数，maxsplit=1 分隔一次，默认为 0，不限制次数。

　　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

>>> re.split(r":| ","info:xiaoming Shanghai 27")
['info', 'xiaoming', 'Shanghai', '27']

sub方法

re.sub用于替换字符串中的匹配项。

re.sub(pattern, repl, string, count=0)

　　pattern : 正则中的模式字符串。

　　repl : 替换的字符串，也可为一个函数。

　　string : 要被查找替换的原始字符串。

　　count : 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。

#删除非数字内容
>>> re.sub(r"D","","2018-12-31")
'20181231'
>>> re.sub(r"-",".","2018-12-31")
'2018.12.31'

repl为函数时：

def add(temp):
    print("---add---")
    str_num = temp.group('value')
    num = int(str_num) + 1
    return str(num)

ret = re.sub(r"(?P<value>d+)", add, "python = 2,Android8")
print(ret)

output：
---add---
---add---
python = 3,Android9

贪婪和非贪婪模式

　　Python里数量词默认是贪婪的，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"
#贪婪
>>> re.match(r".+(d+-d+-d+-d+)",s).group(1)
'4-235-22-423'
#关闭贪婪
>>> re.match(r".+?(d+-d+-d+-d+)",s).group(1)
'234-235-22-423'

　　在正则表达式中使用通配字符，则在匹配时会尽可能的匹配多的字符，直到分组内4能满足第一个d+才截止；关闭贪婪模式时，分组内的d+会向前延伸获取，即.+?会尽可能的少匹配。

#从字串中提取网站
>>> s="""<img data-original="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" src="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" style="display: inline;">"""
#贪婪
>>> re.search(r"https.+.jpg",s).group()
'https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg" src="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg'
#非贪婪
>>> re.search(r"https.+?.jpg",s).group()
'https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg'

匹配网站

>>> s="https://rpic.douyucdn.cn/appCovers/2016/11/13/1213973_201611131917_small.jpg"
>>> re.sub(r"(https://.+?/).*",lambda temp:temp.group(1),s)
'https://rpic.douyucdn.cn/'