《Python》正则表达式

re模块

正则表达式：

　　应用场景：　　

　　　　1、判断某一个字符串是否符合规则　　（注册时：判断手机号，身份证号，邮箱格式是否正确）

　　　　2、将符合规则的内容从一个庞大的字符串体系中提取出来　　（爬虫，日志分析）

　　什么是正则表达式：

　　　　只和字符串打交道，是一种规则，来约束字符串的规则

　　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。

　　　　[0123456789]　　表示0-9都可以匹配

　　　　[0-9]　　　　　　 用 - 表示范围，[0-9] 和 [0123456789] 是一样的

　　　　[a-z]　　　　　　 表示所有的小写字母

　　　　[A-Z]　　　　　　表示所有的大写字母

　　　　[0-9a-fA-F]　　　 可以匹配数字，大小写形式的a~f，常用来验证十六进制字符

　　　　原理是通过ASCII编码，小的一个值指向大的一个值

　　元字符：　　　

　　　　w　　匹配字母或数字或下划线

　　　　W　   匹配非字母或非数字或非下划线

　　　　s　　 匹配任意的空白符（空格、换行 、制表符 ）

　　　　S　　匹配非空白符

　　　　d　　匹配数字

　　　　D　　匹配非数字

　　　　 　　匹配一个换行符

　　　　 　　 匹配一个制表符

　　　　　　匹配一个单词的边界

　　　　A　　匹配以什么开头，与 ^ 的功能一样　　（A匹配内容）

　　　　　　匹配以什么结尾，与 $ 的功能一样　　（匹配内容）

　　　　.　　  匹配除换行符以外的任意字符

　　　　^　　  匹配字符串的开始

　　　　$　　 匹配字符串的结尾

　　　　a|b　  匹配字符a或字符b　　（把长的放前面，如 abc|ab）

　　　　()　　 匹配括号内的表达式，也表示一个组

　　　　[...]　  匹配字符组中的字符

　　　　[^...]　 匹配除了字符组中字符的所有字符

　　量词：

　　　　*　　  重复零次或更多次

　　　　+　　 重复一次或更多次

　　　　？　　重复零次或一次

　　　　{n}　   重复n次

　　　　{n,}　  重复n次货更多次

　　　　{n,m}　重复n到m次

　　.^$

 

　　*+?{}

　　注意：前面的 *，+，？ 等都是贪婪匹配，也就是尽可能多的匹配，后面加？使其变成惰性匹配

　　字符集 [ ]  [ ^ ]

　　分组 ()与 或 |   [ ^ ]

身份证号码是一个长度为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位的，则前17位全部是数字，末位可以是数字或x

　　转义符

在正则表达式中，有很多有特殊意义的是元字符，比如 和s等，如果要在正则中匹配正常的" "而不是"换行符"就需要对""进行转义，变成'\'。

　　贪婪匹配

 贪婪匹配：在满足匹配时，匹配尽可能长的字符串，默认情况下，采用贪婪匹配

　　几个常用的非贪婪匹配

　　　　*? 　　 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

 　　. * ?

　　　　.　　是任意字符

　　　　*　　是取 0 至 无限长度

　　　　?　　是非贪婪模式

　　　　合在一起就是，取尽量少的任意字符，一般不会这么单独写，大多用在：

　　　　. * ? x　　就是取前面任意长度的字符，直到一个 x 出现

import re

# w与W
print(re.findall('w', 'hello egon 123'))
# ['h', 'e', 'l', 'l', 'o', 'e', 'g', 'o', 'n', '1', '2', '3']
print(re.findall('W', 'hello egon 123'))
# [' ', ' ']

# s与S
print(re.findall('s', 'hello egon 123'))
# [' ', ' ']
print(re.findall('S', 'hello egon 123'))
# ['h', 'e', 'l', 'l', 'o', 'e', 'g', 'o', 'n', '1', '2', '3']

# 
与	都是空，都可以被s匹配
print(re.findall('s', 'hello 
 egon 	 123'))
# [' ', '
', ' ', ' ', '	', ' ']

# 
与	
print(re.findall(r'
', 'hello egon 
123'))
# ['
']
print(re.findall(r'	', 'hello egon 	 123'))
# ['	']

# d与D
print(re.findall('d', 'hello egon 123'))
# ['1', '2', '3']
print(re.findall('D', 'hello egon 123'))
# ['h', 'e', 'l', 'l', 'o', ' ', 'e', 'g', 'o', 'n', ' ']

# A与
print(re.findall('Ahe', 'hello egon 123'))
# ['he']
print(re.findall('123', 'hello egon 123'))
# ['123']

# ^与$
print(re.findall('^he', 'hello egon 123'))
# ['he']
print(re.findall('123$', 'hello egon 123'))
# ['123']

# 重复匹配：.  *  ?  .*  .*?  +  {n,m}  |

# .
print(re.findall('a.b', 'a1b'))
# ['a1b']
print(re.findall('a.b', 'a1b a*b a b aaab'))
# ['a1b', 'a*b', 'a b', 'aab']
print(re.findall('a.b', 'a
b'))
# []

# *
print(re.findall('ab*', 'bbbbbbb'))
# []
print(re.findall('ab*', 'a'))
# ['a']
print(re.findall('ab*', 'abbbbbb'))
# ['abbbbbb']

# ?
print(re.findall('ab?', 'a'))
# ['a']
print(re.findall('ab?', 'abbbb'))
# ['ab']

# 匹配所有包含小数在内的数字
print(re.findall('d+.?d*', 'sdfsdfs231sdsd1.123sdfsfas34jk23kj52k3jh4kj'))
# ['231', '1.123', '34', '23', '52', '3', '4']

# .*默认为贪婪匹配
print(re.findall('a.*b', 'a1b222222222b'))
# ['a1b222222222b']

# .*? 为非贪婪匹配：推荐使用
print(re.findall('a.*?b', 'a1b22222222b'))
# ['a1b']

# +
print(re.findall('ab+', 'a'))
# []
print(re.findall('ab+', 'abbb'))
# ['abbb']

# {n,m}
print(re.findall('ab{2}', 'abbbb'))
# ['abb']
print(re.findall('ab{2,4}', 'abbb'))
# ['abbb']
print(re.findall('ab{1,}', 'abbbbbb'))
# ['abbbbbb']
print(re.findall('ab{0,}', 'a'))
# ['a']

#[]
print(re.findall('a[1*-]b', 'a1b a*b a-b'))
# ['a1b', 'a*b', 'a-b']     []内的都为普通字符了，且如果-没有被转意的话，应该放到[]的开头或结尾
print(re.findall('a[^1*-]b', 'a1b a*b a-b a=b'))
# ['a=b']       []内的^代表的意思是取反，所以结果为['a=b']
print(re.findall('a[0-9]b', 'a1b a*b a-b a=b'))
# ['a1b']
print(re.findall('a[a-z]b', 'a1b a*b a-b a=b aeb'))
# ['aeb']
print(re.findall('a[a-zA-Z]b', 'a1b a*b a-b a=b aeb aEb'))
# ['aeb', 'aEb']

# 转义
print(re.findall('a\c', 'ac'))
# 对于正则来说a\c确实可以匹配到ac,但是在python解释器读取a\c时，会发生转义，然后交给re去执行，所以抛出异常
print(re.findall(r'a\c', 'ac'))
# ['a\c']  r代表告诉解释器使用rawstring，即原生字符串，把我们正则内的所有符号都当普通字符处理，不要转义
print(re.findall('a\\c', 'ac'))
# 同上面的意思一样，和上面的结果一样都是['a\c']

# ()分组
print(re.findall('ab+', 'ababab123'))
# ['ab', 'ab', 'ab']
print(re.findall('(ab)+123', 'ababab123'))
# ['ab']，匹配到末尾的ab123中的ab
print(re.findall('(?:ab)+123', 'ababab123'))
# ['ababab123']  findall的结果不是匹配的全部内容，而是组内的内容,?:可以让结果为匹配的全部内容

re模块下的常用方法： 

import re

# findall
print(re.findall('d', 'sdfh34h2h423h2h23h'))
# ['3', '4', '2', '4', '2', '3', '2', '2', '3']
# 返回值是一个列表，里面的每个元素是所有匹配到的项


# search
ret = re.search('d', 'sdfh34h2h423h2h23h')
print(ret)
# <re.Match object; span=(4, 5), match='3'>
print(ret.group())
# 3

ret = re.search('d', 'sdhfsd')
print(ret)
# None
if ret:
    print(ret.group())
# search返回值：
#     返回一个re_Match对象
#     通过group取值
#     且只包含第一个匹配到值

import re

# findall 有一个特点，会优先显示分组中的内容
ret = re.findall('www.(baidu|oldboy).com', 'www.baidu.com')
print(ret)
# ['baidu']


ret = re.search('www.(baidu|oldboy).com', 'www.baidu.com')
print(ret)
# <re.Match object; span=(0, 13), match='www.baidu.com'>
print(ret.group())
# www.baidu.com