正则表达式
http://tool.chinaz.com/regex/
什么是正则表达式?
通俗理解:
匹配字符串内容的一种规则。
官方定义：
正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。
正则表达式的应用场景：
1.爬虫
2.数据分析
只要是reg...一般情况下都与正则有关
匹配具体内容时，直接写要匹配的内容，不需要写正则。
正则的使用：
元字符：
|
元字符 |
匹配内容 |
|
. |
匹配除了换行符以外的全部字符 |
|
\w |
匹配字符、数字、下划线 |
|
\s |
匹配任意的空白符 |
|
\d |
匹配数字 |
|
\n |
匹配换行符 |
|
\t |
匹配制表符 |
|
\b |
匹配一个单词的结尾 |
|
^ |
匹配字符串的开始 |
|
$ |
匹配字符串的结尾 |
|
\W |
匹配非（字符串、数字、下换线） |
|
\D |
匹配非数字 |
|
\S |
匹配非空白符 |
|
a|b |
匹配字符串a或b |
|
() |
匹配括号中的表达式，也表示一个组 |
|
[...] |
匹配字符组中的字符 |
|
[^...] |
匹配除了字符组中的所有内容 |
注意：
\d+，+表示重复一次或多次，正则中默认都是贪婪匹配。
比如：想要匹配1383445224，若是用\d一次只能匹配到一个字符{n}可以明确指定个数
（*****注意****）：
量词需要卸载匹配符号的后面，并且只约束紧挨着它的那个正则表达式
[字符组]：
在同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 字符分为很多类，比如数字、字母、标点等等。
如:你现在要求一个位置"只能出现一个数字",那么这个位置上的字符只能是0、1、2...9这10个数之一。
^与$符连用：
会精确限制匹配的内容，他们之间字符是怎样的，匹配的字符串就必须是什么样的，多了少了都不可以。
abc|ab：
用的时候需要将长的字符串放在前面。
^ 使用：
直接写在外面的时候可以用来限制字符串的开头，[^]:表示除了[]中的字符，其他的都要。
贪婪匹配和惰性匹配：
正则在匹配的时候默认都是贪婪匹配（挑多的匹配）
可以通过在两次后面加?来取消贪婪匹配变成惰性匹配
量词：
必须跟在正则符号的后面，且只能限制紧挨着的那个正则符号。
|
量词 |
用法说明 |
|
* |
重复零次或多次 |
|
+ |
重复一次或多次 |
|
？ |
重复零次或一次 |
|
{n} |
重复n次 |
|
{n,} |
重复n次或更多次 |
|
{n,m} |
重复n到m次 |
分组:
当多个正则符号需要多次重复，或者需要当做一个整体进行其他操作时，可以使用。
练习：
|
正则 |
待匹配字符 |
匹配结果 |
说明 |
|
[0123456789] |
8 |
True |
在一个字符组里枚举合法的所有字符，字符组里的任意一个字符 |
|
[0123456789] |
a |
Flase |
字符组中没有字符'a'所以不能匹配 |
|
[0-9] |
7 |
True |
可以用-来表示范围 |
|
[a-z] |
s |
True |
匹配所有小写字母 |
|
[A-Z] |
B |
True |
表示所有的大写字母 |
|
[0-9a-fA-F] |
e |
True |
可以匹配数字，大小写形式的a-f，用来验证十六进制字符 |
实际场景应用:
身份证号码:
一个长度为15或18个字符的字符串，如果是15位则全部由数字组成，
首位不能为0；如果是18位，则前17位全部是数字，末位可能是数字或x。
下面我们尝试用正则来表示：
re模块：
import re
ret = re.findall('a', 'eva egon yuan') # 返回所有满足匹配条件的结果,放在列表里
print(ret) #结果 : ['a', 'a']
ret = re.search('a', 'eva egon yuan').group()
print(ret) #结果 : 'a'
# 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,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。
ret = re.match('a', 'abc').group() # 同search,不过就在字符串开始处进行匹配
print(ret)
#结果 : 'a'
注意:
1.match只会匹配字符串的开头部分
2.当字符串的开头不符合匹配规则的情况下 返回的也是None 调用group也会报错。
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) #('evaHegonHyuanH', 3)
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# 等价于ret.__next__()
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
findall的优先级查询：
import re
ret1 = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com')
ret2 = re.findall('www.(?:baidu|oldboy).com', 'www.oldboy.com') # 忽略分组优先的机制
print(ret1,ret2) # ['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
split的优先级查询：
ret=re.split("\d+","eva3egon4yuan")
print(ret) #结果 ： ['eva', 'egon', 'yuan']
ret=re.split("(\d+)","eva3egon4yuan")
print(ret) #结果 ： ['eva', '3', 'egon', '4', 'yuan']
#在匹配部分加上（）之后所切出的结果是不同的，
#没有（）的没有保留所匹配的项，但是有（）的却能够保留了匹配的项，
#这个在某些需要保留匹配部分的使用过程是非常重要的。
给正则表达式取别名：
import re
res = re.search('^[1-9](\d{14})(\d{2}[0-9x])?$','110105199812067023')
# 还可以给某一个正则表达式起别名：
res = re.search('^[1-9](?P<password>\d{14})(?P<username>\d{2}[0-9x])?$','110105199812067023')
print(res.group())
print(res.group('password'))
print(res.group(1))
print(res.group('username'))
print(res.group(2))