zoukankan      html  css  js  c++  java

  • 转--python之正则入门

     

    原文地址

    1. 正则表达式基础

    1.1. 简单介绍

    正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。

    下图展示了使用正则表达式进行匹配的流程： 
    re_simple

    正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。

    下图列出了Python支持的正则表达式元字符和语法：   
    pyre

    1.2. 数量词的贪婪模式与非贪婪模式

    正则表达式通常用于在文本中查找匹配的字符串。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；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。

    1.3. 反斜杠的困扰

    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，这个例子中的正则表达式可以使用r"\"表示。同样，匹配一个数字的"\d"可以写成r"d"。有了原生字符串，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。

    1.4. 匹配模式

    正则表达式提供了一些可用的匹配模式，比如忽略大小写、多行匹配等，这部分内容将在Pattern类的工厂方法re.compile(pattern[, flags])中一起介绍。

    2. re模块

    2.1. 开始使用re

    Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    # encoding: UTF-8
    import re
     
    # 将正则表达式编译成Pattern对象
    pattern = re.compile(r'hello')
     
    # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
    match = pattern.match('hello world!')
     
    if match:
        # 使用Match获得分组信息
        print match.group()
     
    ### 输出 ###
    # hello

    re.compile(strPattern[, flag]):

    这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。 
    可选值有：

    • re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
    • M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
    • S(DOTALL): 点任意匹配模式，改变'.'的行为
    • L(LOCALE): 使预定字符类 w W  B s S 取决于当前区域设定
    • U(UNICODE): 使预定字符类 w W  B s S d D 取决于unicode定义的字符属性
    • X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：
    1
    2
    3
    4
    a = re.compile(r"""d +  # the integral part
                       .    # the decimal point
                       d *  # some fractional digits""", re.X)
    b = re.compile(r"d+.d*")

    re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

    1
    2
    m = re.match(r'hello', 'hello world!')
    print m.group()

    re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

    2.2. Match

    Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

    属性：

    1. string: 匹配时使用的文本。
    2. re: 匹配时使用的Pattern对象。
    3. pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
    4. endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
    5. lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
    6. lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

    方法：

    1. group([group1, …]): 
      获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
    2. groups([default]): 
      以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
    3. groupdict([default]): 
      返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
    4. start([group]): 
      返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
    5. end([group]): 
      返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
    6. span([group]): 
      返回(start(group), end(group))。
    7. expand(template): 
      将匹配到的分组代入template中然后返回。template中可以使用id或g<id>、g<name>引用分组，但不能使用编号0。id与g<id>是等价的；但10将被认为是第10个分组，如果你想表达1之后是字符'0'，只能使用g<1>0。
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    import re
    m = re.match(r'(w+) (w+)(?P<sign>.*)', 'hello world!')
     
    print "m.string:", m.string
    print "m.re:", m.re
    print "m.pos:", m.pos
    print "m.endpos:", m.endpos
    print "m.lastindex:", m.lastindex
    print "m.lastgroup:", m.lastgroup
     
    print "m.group(1,2):", m.group(1, 2)
    print "m.groups():", m.groups()
    print "m.groupdict():", m.groupdict()
    print "m.start(2):", m.start(2)
    print "m.end(2):", m.end(2)
    print "m.span(2):", m.span(2)
    print r"m.expand(r'2 13'):", m.expand(r'2 13')
     
    ### output ###
    # m.string: hello world!
    # m.re: <_sre.SRE_Pattern object at 0x016E1A38>
    # m.pos: 0
    # m.endpos: 12
    # m.lastindex: 3
    # m.lastgroup: sign
    # m.group(1,2): ('hello', 'world')
    # m.groups(): ('hello', 'world', '!')
    # m.groupdict(): {'sign': '!'}
    # m.start(2): 6
    # m.end(2): 11
    # m.span(2): (6, 11)
    # m.expand(r'2 13'): world hello!

    2.3. Pattern

    Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

    Pattern不能直接实例化，必须使用re.compile()进行构造。

    Pattern提供了几个可读属性用于获取表达式的相关信息：

    1. pattern: 编译时用的表达式字符串。
    2. flags: 编译时用的匹配模式。数字形式。
    3. groups: 表达式中分组的数量。
    4. groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    import re
    p = re.compile(r'(w+) (w+)(?P<sign>.*)', re.DOTALL)
     
    print "p.pattern:", p.pattern
    print "p.flags:", p.flags
    print "p.groups:", p.groups
    print "p.groupindex:", p.groupindex
     
    ### output ###
    # p.pattern: (w+) (w+)(?P<sign>.*)
    # p.flags: 16
    # p.groups: 3
    # p.groupindex: {'sign': 3}

    实例方法[ | re模块方法]：

    1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 
      这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。 
      pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。 
      注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。 
      示例参见2.1小节。
    2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
      这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。 
      pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。 
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      16
      # encoding: UTF-8
      import re
       
      # 将正则表达式编译成Pattern对象
      pattern = re.compile(r'world')
       
      # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
      # 这个例子中使用match()无法成功匹配
      match = pattern.search('hello world!')
       
      if match:
          # 使用Match获得分组信息
          print match.group()
       
      ### 输出 ###
      # world
    3. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 
      按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。 
      1
      2
      3
      4
      5
      6
      7
      import re
       
      p = re.compile(r'd+')
      print p.split('one1two2three3four4')
       
      ### output ###
      # ['one', 'two', 'three', 'four', '']
    4. findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 
      搜索string，以列表形式返回全部能匹配的子串。 
      1
      2
      3
      4
      5
      6
      7
      import re
       
      p = re.compile(r'd+')
      print p.findall('one1two2three3four4')
       
      ### output ###
      # ['1', '2', '3', '4']
    5. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 
      搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。 
      1
      2
      3
      4
      5
      6
      7
      8
      import re
       
      p = re.compile(r'd+')
      for m in p.finditer('one1two2three3four4'):
          print m.group(),
       
      ### output ###
      # 1 2 3 4
    6. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): 
      使用repl替换string中每一个匹配的子串后返回替换后的字符串。 
      当repl是一个字符串时，可以使用id或g<id>、g<name>引用分组，但不能使用编号0。 
      当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 
      count用于指定最多替换次数，不指定时全部替换。 
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      import re
       
      p = re.compile(r'(w+) (w+)')
      s = 'i say, hello world!'
       
      print p.sub(r'2 1', s)
       
      def func(m):
          return m.group(1).title() + ' ' + m.group(2).title()
       
      print p.sub(func, s)
       
      ### output ###
      # say i, world hello!
      # I Say, Hello World!
    7. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 
      返回 (sub(repl, string[, count]), 替换次数)。 
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      import re
       
      p = re.compile(r'(w+) (w+)')
      s = 'i say, hello world!'
       
      print p.subn(r'2 1', s)
       
      def func(m):
          return m.group(1).title() + ' ' + m.group(2).title()
       
      print p.subn(func, s)
       
      ### output ###
      # ('say i, world hello!', 2)
      # ('I Say, Hello World!', 2)

    以上就是Python对于正则表达式的支持。熟练掌握正则表达式是每一个程序员必须具备的技能，这年头没有不与字符串打交道的程序了。笔者也处于初级阶段，与君共勉，^_^

    另外，图中的特殊构造部分没有举出例子，用到这些的正则表达式是具有一定难度的。有兴趣可以思考一下，如何匹配不是以abc开头的单词，^_^

    全文结束

    Python 正则表达式入门（初级篇）

    本文主要为没有使用正则表达式经验的新手入门所写。
    转载请写明出处

    引子

    首先说 正则表达式是什么？

    正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），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。
    许多程序设计语言都支持利用正则表达式进行字符串操作。例如，在Perl中就内建了一个功能强大的正则表达式引擎。正则表达式这个概念最初是由Unix中的工具软件（例如sed和grep）普及开的。正则表达式通常缩写成“regex”，单数有regexp、regex，复数有regexps、regexes、regexen。
    引用自维基百科https://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F

    定义是定义，太正经了就没法用了。我们来举个栗子：假如你在写一个爬虫，你得到了
    一个网页的HTML源码。其中有一段

    <html><body><h1>hello world<h1></body></html>

    你想要把这个hello world提取出来，但你这时如果只会python 的字符串处理，那么第一反应可能是

    s = <html><body><h1>hello world<h1></body></html>
start_index = s.find('<h1>')

    然后从这个位置向下查找到下一个<h1>出现这样做未尝不可，但是很麻烦不是吗。需要考虑多个标签，一不留神就多匹配到东西了，而如果想要非常准确的匹配到，又得多加循环判断，效率太低。

    这时候，正则表达式就是首选的帮手。

    干货开始

    入门级别

    接着说我们刚才那个例子。我们如果拿正则处理这个表达式要怎么做呢？

    import re

key = r"<html><body><h1>hello world<h1></body></html>"#这段是你要匹配的文本
p1 = r"(?<=<h1>).+?(?=<h1>)"#这是我们写的正则表达式规则，你现在可以不理解啥意思
pattern1 = re.compile(p1)#我们在编译这段正则表达式
matcher1 = re.search(pattern1,key)#在源文本中搜索符合正则表达式的部分
print matcher1.group(0)#打印出来

    你可以尝试运行上面的代码，看看是不是和我们想象的一样（博主是在python2.7环境下）发现代码挺少挺简单？往下看。而且正则表达式实际上要比看起来的那种奇形怪状要简单得多。

    首先，从最基础的正则表达式说起。
    假设我们的想法是把一个字符串中的所有"python"给匹配到。我们试一试怎么做

    import re

key = r"javapythonhtmlvhdl"#这是源文本
p1 = r"python"#这是我们写的正则表达式
pattern1 = re.compile(p1)#同样是编译
matcher1 = re.search(pattern1,key)#同样是查询
print matcher1.group(0)

    看完这段代码，你是不是觉得：卧槽？这就是正则表达式？直接写上去就行？
    确实，正则表达式并不像它表面上那么奇葩，如果不是我们故意改变一些符号的含义时，你看到的就是想要匹配的。
    所以，先把大脑清空，先认为正则表达式就是和想要匹配的字符串长得一样。在之后的练习中我们会逐步进化

    初级

    0.无论是python还是正则表达式都是区分大小写的，所以当你在上面那个例子上把"python"换成了"Python"，那就匹配不到你心爱的python了。

    1.重新回到第一个例子中那个<h1>hello world<h1>匹配。假如我像这么写，会怎么样？

    import re

key = r"<h1>hello world<h1>"#源文本
p1 = r"<h1>.+<h1>"#我们写的正则表达式，下面会将为什么
pattern1 = re.compile(p1)
print pattern1.findall(key)#发没发现，我怎么写成findall了？咋变了呢？

    有了入门级的经验，我们知道那两个<h1>就是普普通通的字符，但是中间的是什么鬼？
    .字符在正则表达式代表着可以代表任何一个字符（包括它本身）
    findall返回的是所有符合要求的元素列表，包括仅有一个元素时，它还是给你返回的列表。

    机智如你可能会突然问：那我如果就只是想匹配"."呢？结果啥都给我返回了咋整？在正则表达式中有一个字符，其实如果你编程经验较多的话，你就会发现这是好多地方的“转义符”。在正则表达式里，这个符号通常用来把特殊的符号转成普通的，把普通的转成特殊的23333（并不是特殊的“2333”，写完才发现会不会有脑洞大的想歪了）。
    举个栗子，你真的想匹配"chuxiuhong@hit.edu.cn"这个邮箱（我的邮箱），你可以把正则表达式写成下面这个样子：

    import re

key = r"afiouwehrfuichuxiuhong@hit.edu.cnaskdjhfiosueh"
p1 = r"chuxiuhong@hit.edu.cn"
pattern1 = re.compile(p1)
print pattern1.findall(key)

    发现了吧，我们在.的前面加上了转义符，但是并不是代表匹配“.”的意思，而是只匹配“.”的意思！
    不知道你细不细心，有没有发现我们第一次用.时，后面还跟了一个+？那这个加号是干什么的呢？
    其实不难想，我们说了“.字符在正则表达式代表着可以代表任何一个字符（包括它本身）”，但是"hello world"可不是一个字符啊。
    +的作用是将前面一个字符或一个子表达式重复一遍或者多遍。
    比方说表达式“ab+”那么它能匹配到“abbbbb”，但是不能匹配到"a"，它要求你必须得有个b，多了不限，少了不行。你如果问我有没有那种“有没有都行，有多少都行的表达方式”，回答是有的。
    *跟在其他符号后面表达可以匹配到它0次或多次
    比方说我们在王叶内遇到了链接，可能既有http://开头的，又有https://开头的，我们怎么处理？

    import re

key = r"http://www.nsfbuhwe.com and https://www.auhfisna.com"#胡编乱造的网址，别在意
p1 = r"https*://"#看那个星号！
pattern1 = re.compile(p1)
print pattern1.findall(key)

    输出

    ['http://', 'https://']

    2.比方说我们有这么一个字符串"cat hat mat qat"，你会发现前面三个是实际的单词，最后那个是我胡编乱造的（上百度查完是昆士兰英语学院的缩写= =）。如果你本来就知道"at"前面是c、h、m其中之一时这才构成单词，你想把这样的匹配出来。根据已经学到的知识是不是会想到写出来三个正则表达式进行匹配？实际上不需要。因为有一种多字符匹方式
    []代表匹配里面的字符中的任意一个
    还是举个栗子，我们发现啊，有的程序员比较过分，，在<html></html>这对标签上，大小写混用，老害得我们抓不到想要的东西，我们该怎么应对？是写16*16种正则表达式挨个匹配？no

    import re

key = r"lalala<hTml>hello</Html>heiheihei"
p1 = r"<[Hh][Tt][Mm][Ll]>.+?</[Hh][Tt][Mm][Ll]>"
pattern1 = re.compile(p1)
print pattern1.findall(key)

    输出

    ['<hTml>hello</Html>']

    我们既然有了范围性的匹配，自然有范围性的排除。
    [^]代表除了内部包含的字符以外都能匹配
    还是cat,hat,mat,qat这个例子，我们想匹配除了qat以外的，那么就应该这么写：

    import re

key = r"mat cat hat pat"
p1 = r"[^p]at"#这代表除了p以外都匹配
pattern1 = re.compile(p1)
print pattern1.findall(key)

    输出
    为了方便我们写简洁的正则表达式，它本身还提供下面这样的写法

    正则表达式代表的匹配字符
    [0-9] 0123456789任意之一
    [a-z] 小写字母任意之一
    [A-Z] 大写字母任意之一
    d 等同于[0-9]
    D 等同于[^0-9]匹配非数字
    w 等同于[a-z0-9A-Z_]匹配大小写字母、数字和下划线
    W 等同于[^a-z0-9A-Z_]等同于上一条取非

    3.介绍到这里，我们可能已经掌握了大致的正则表达式的构造方式，但是我们常常会在实战中遇到一些匹配的不准确的问题。比方说：

    import re

key = r"chuxiuhong@hit.edu.cn"
p1 = r"@.+."#我想匹配到@后面一直到“.”之间的，在这里是hit
pattern1 = re.compile(p1)
print pattern1.findall(key)

    输出结果

    ['@hit.edu.']

    呦呵！你咋能多了呢？我理想的结果是@hit.，你咋还给我加量了呢？这是因为正则表达式默认是“贪婪”的，我们之前讲过，“+”代表是字符重复一次或多次。但是我们没有细说这个多次到底是多少次。所以它会尽可能“贪婪”地多给我们匹配字符，在这个例子里也就是匹配到最后一个“.”。
    我们怎么解决这种问题呢？只要在“+”后面加一个“？”就好了。

    import re

key = r"chuxiuhong@hit.edu.cn"
p1 = r"@.+?."#我想匹配到@后面一直到“.”之间的，在这里是hit
pattern1 = re.compile(p1)
print pattern1.findall(key)

    输出结果

    ['@hit.']

    加了一个“?”我们就将贪婪的“+”改成了懒惰的“+”。这对于[abc]+,w*之类的同样适用。

    小测验：上面那个例子可以不使用懒惰匹配，想一种方法得到同样的结果

    **个人建议：在你使用"+","*"的时候，一定先想好到底是用贪婪型还是懒惰型，尤其是当你用到范围较大的项目上时，因为很有可能它就多匹配字符回来给你！！！**

    为了能够准确的控制重复次数，正则表达式还提供
    {a,b}(代表a<=匹配次数<=b)

    还是举个栗子，我们有sas,saas,saaas，我们想要sas和saas，我们怎么处理呢？

    
import re

key = r"saas and sas and saaas"
p1 = r"sa{1,2}s"
pattern1 = re.compile(p1)
print pattern1.findall(key)

    输出

    ['saas', 'sas']

    如果你省略掉{1,2}中的2，那么就代表至少匹配一次，那么就等价于？
    如果你省略掉{1,2}中的1，那么就代表至多匹配2次。

    下面列举一些正则表达式里的元字符及其作用

    元字符说明
    . 代表任意字符
    | 逻辑或操作符
    [ ] 匹配内部的任一字符或子表达式
    [^] 对字符集和取非
    - 定义一个区间
    对下一字符取非（通常是普通变特殊，特殊变普通）
    * 匹配前面的字符或者子表达式0次或多次
    *? 惰性匹配上一个
    + 匹配前一个字符或子表达式一次或多次
    +? 惰性匹配上一个
    ? 匹配前一个字符或子表达式0次或1次重复
    {n} 匹配前一个字符或子表达式
    {m,n} 匹配前一个字符或子表达式至少m次至多n次
    {n,} 匹配前一个字符或者子表达式至少n次
    {n,}? 前一个的惰性匹配
    ^ 匹配字符串的开头
    A 匹配字符串开头
    $ 匹配字符串结束
    [] 退格字符
    c 匹配一个控制字符
    d 匹配任意数字
    D 匹配数字以外的字符
    匹配制表符
    w 匹配任意数字字母下划线
    W 不匹配数字字母下划线

    中级篇介绍子表达式，向前向后查找，回溯引用 链接：http://www.cnblogs.com/chuxiuhong/p/5907484.html

    Python 正则表达式入门（中级篇）

    初级篇链接：http://www.cnblogs.com/chuxiuhong/p/5885073.html

    上一篇我们说在这一篇里，我们会介绍子表达式，向前向后查找，回溯引用。到这一篇开始前除了回溯引用在一些场合不可替代以外，大部分情况下的正则表达式你应该都会写了。

    1.子表达式

    子表达式的概念特别好理解。其实它就是将几个字符的组合形式看做一个大的“字符”。不好理解？举个栗子：我们要匹配类似IP地址这种形式的字符（暂且不考虑数值范围的合理性，这个留作学完之后的思考题吧）。形如192.168.1.1这样的地址我们怎么写表达式呢？

    答案一 d+.?d+.?d+.?d+

    不好，一个是太繁琐，另一个是连位数都控制不了

    答案二 d+{1,3}.?d+{1,3}.?d+{1,3}.?d+{1,3}

    一般般，复杂但是起码能把位数控制在合理范围

    答案三 (d+{1,3}.){3}d+{1,3}.

    利用子表达式，将123.这种数字加小数点看做一个整体字符，对其规定重复匹配的次数，既简洁，效果又好。所以只要你将几个字符组合用圆括号括起来，那么你就可以把一个圆括号内的内容当做一个字符，外面可以加我们之前讲过的所有元字符来控制匹配。

    2.向前向后查找

    现在，我们终于来到了向前向后查找这一块。为什么说终于来到这了呢？还记得我们在初级篇最开始的例子吗？

    假如你在写一个爬虫，你得到了一个网页的HTML源码。其中有一段html
<html><body><h1>hello world</h1></body></html>
你想要把这个hello world提取出来
import re

key = r"<html><body><h1>hello world</h1></body></html>"#这段是你要匹配的文本
p1 = r"(?<=<h1>).+?(?=</h1>)"#这是我们写的正则表达式规则，你现在可以不理解啥意思
pattern1 = re.compile(p1)#我们在编译这段正则表达式
matcher1 = re.search(pattern1,key)#在源文本中搜索符合正则表达式的部分
print matcher1.group(0)#打印出来

    这个正则表达式

    p1 = r"(?<=<h1>).+?(?=<h1>)"

    看到(?<=<h1>) 和 (?=<h1>)了吗？第一个?<=表示在被匹配字符前必须得有<h1>，后面的?=表示被匹配字符后必须有<h1>

    简单来说，就是你要匹配的字符是XX，但必须满足形式是AXXB这样的字符串，那么你就可以这样写正则表达式

    p = r"(?<=A)XX(?=B)"

    匹配到的字符串就是XX。并且，向前查找向后查找不需要必须同时出现。如果你愿意，可以只写满足一个条件。

    所以你也不需要记住哪个是向前查找，哪个是向后查找。只要记住?<=后面跟着的是前缀要求，?=后面跟的是后缀要求。

    本质上来说，向前查找和向后查找其实是匹配整个字符串，即AXXB，但返回时仅仅返回一个XX。也就是说，如果你愿意，完全可以避开向前向后查找的方式，直接匹配带有前后缀的字符串，然后做字符串切片处理。

    3.回溯引用

    不同于前面的向前向后查找，这一条有时候你未必绕的过去。在有些情况下，你还必须得用到回溯引用，所以你如果想拥有在实际应用中使用正则表达式，回溯引用是你应该了解和掌握的。

    我们还是从最开始的例子来说。
    你原本要匹配<h1></h1>之间的内容，现在你知道HTML有多级标题，你想把每一级的标题内容都提取出来。你也许会这样写：

    p = r"<h[1-6]>.*?</h[1-6]>"

    这样一来，你就可以将HTML页面内所有的标题内容全部匹配出来。即<h1></h1>到<h6></h6>的内容都可以被提取出来。但是我们之前说过，写正则表达式困难的不是匹配到想要的内容，而是尽可能的不匹配到不想要的内容。在这个例子中，很有可能你就会被下面这样的用例玩坏。

    比方说

    <h1>hello world</h3>

    发现后面的</h3>了吗？我们不管是怎么写出来这样的标题的，但实实在在的是我们的正则表达式同样会把这里面的hello world匹配出来。这时候就是回溯引用的重要作用。下面就是一个示例：

    import re

key = r"<h1>hello world</h3>"
p1 = r"<h([1-6])>.*?</h1>"
pattern1 = re.compile(p1)
m1 = re.search(pattern1,key)
print m1.group(0)#这里是会报错的，因为匹配不到，你如果将源字符串改成</h1>
结尾就能看出效果

    看到1了吗？原本那个位置应该是[1-6]，但是我们写的是1，我们之前说过，转义符干的活就是把特殊的字符转成一般的字符，把一般的字符转成特殊字符。普普通通的数字1被转移成什么了呢？在这里1表示第一个子表达式，也就是说，它是动态的，是随着前面第一个子表达式的匹配到的东西而变化的。比方说前面的子表达式内是[1-6]，在实际字符串中找到了1，那么后面的1就是1，如果前面的子表达式在实际字符串中找到了2，那么后面的1就是2。

    类似的，2,3,....就代表第二个第三个子表达式。

    所以回溯引用是正则表达式内的一个“动态”的正则表达式，让你根据实际的情况变化进行匹配。

    中级篇就到这里，其实正则表达式还有很多细节还没有写出来，也有很多元字符我没有交代，但掌握了纲要，懂得原理之后剩下的就类似于查表构造这种活了。

    建议看到这的朋友看看《正则表达式必知必会》，初级篇和这篇中有几个例子也是取材于此。

    如果有来生，一个人去远行，看不同的风景，感受生命的活力。。。
  • 相关阅读:
    小程序行内点击事件冲突解决
    小程序带参返回刷新主页面
    小程序时间选择器（精确到秒）
    Bootstrap-Table事件和方法
    JS 解决txt文件直接打开而不是下载
    Bootstrap-Table进阶篇
    Bootstrap-Table入门篇
    Angular+SSM+Ajax的简单购物车实例
    Angular实现简单购物车
    K3BOS单据获取单据体行数
  • 原文地址：https://www.cnblogs.com/Frank99/p/9229727.html
Copyright © 2011-2022 走看看