学习自刘大拿的Python课程

正则表达式（RegularExpression, re）

信息传递来，需要在文本中查找，当文本信息太大时，需要一套系统来快速查找。

• re：在正常的文本中去找
• Xpath：在xml文件中找
• 此套规则和语言无关，固定规则。

re

• 用于使用单个字符串来描述，寻找符合某规则的字符串。
• 常用来检索，替换某些模式的文本。
  e.x.银行卡号部分数字覆盖：识别银行卡号 → 覆盖

正则写法

.(点号):表示任意一个字符，除了\n, 比如查找所有的为一个的字符  \.
[]: 匹配中括号中列举的任意字符，比如[L,Y,0] , LLY, Y0, LIU （只能由方括号内字符组成，所以第一、二个是，第三不是）
\d: 任意一个数字
\D：除了数字都可以
\s:表示空格，tab键
\S:除了空白符号
\w: 单词字符， 就是a-z, A-Z, 0-9, _
\W: 除了以上\w的
*： 表示前面内容重复零次或者多次。e.x. \w*  表示\w类字符在前面重复多次 或 未出现过。
+: 表示前面内容至少出现一次
？： 前面才出现的内容零次或者一次
{m,n}:允许前面内容出现最少m次，最多n次
^:匹配字符串的开始，从字符串的头开始找。
$:匹配字符串的结尾，从结尾开始匹配，而且必须得匹配。
\b:匹配单词的边界
():对正则表达式内容进行分组， 从第一个括号开始，编号逐渐增大
    验证一个数字：^\d$
    必须有一个数字，最少一位：^\d+$
    只能出现数字，且位数为5-10位：^\d{5,10}$
    注册者输入年龄，要求16岁以上，99岁以下：^[16-99]$
    只能输入英文字符和数字：^[A-Za-z0-9]$
    验证qq号码：[0-9]{5,12}

\A: 只匹配字符串开头， \Aabcd, 则abcd
\Z: 仅匹配字符串末尾， abcd\Z, abcd
|: 左右任意一个，即 或 关系
(?P<name>…): 分组，除了原来的编号再制定一个别名（Django常用）。 (?P<id>12345){2}， 1234512345
(?P=name): 引用分组

RE使用大致步骤（撸代码用jupyter Notebook）

使用compile将表示正则的字符串编译为一个pattern对象
通过pattern对象提供一系列方法对文本进行查找匹配，获得匹配结果，一个Match对象
最后利用Match对象提供的属性和方法获得信息，根据需要进行操作

RE常用函数

group()获得一个或者多个分组匹配的字符串，当要获得整个匹配的字符串时，直接使用group或者group(0)
start: 获取分组匹配的字符串在整个字符串中的起始位置，参数默认为0.
end: 获取分组匹配的字符串在整个字符串中的结束位置，参数默认为0.
span: 跨度（）返回的结构(start(group),end(group))

search() vs. match()

search(str,[,pos[,endpos]]):在字符串中查找匹配，pos
和endpos表示起始位置
findall:查找所有
finditer：查找，返回一个iter结果。(可迭代，可用for loop访问)

# 导入相关包
1. import re

# 查找数字
# r表示字符串不转义
p = re.compile(r'\d+')
# 在字符串"alalaala0"中进行查找，按照规则p指定的正则进行查找
m = p.match("alalaala64") # 匹配开头
s = p.search("alalaala64") # 匹配所有
print(m)
print(s)
↓↓↓
None
<re.Match object; span=(8, 10), match='64'>

sub 替换

• sub(rep1,str[,count])

匹配中文

• 大部分中文内容表示范围是[u4e00-u9fa5],不包括全角标点

贪婪与非贪婪

• 贪婪：尽可能多的匹配，（*）表示贪婪匹配
• 非贪婪：找到符合条件的最小内容即可，（？）表示非贪婪
• 正则默认使用的贪婪匹配

练习

# 导入相关包
import re

# 查找数字
# r表示字符串不转义
p = re.compile(r'\d+') # 匹配至少出现一次数字，即将连着的数字找出
# 在字符串中进行查找，按照规则p制定的正则进行查找
# 参数5，30表示在字符串中查找的范围
m = p.match("afear34353sfaifjaeif45igjaria566aigja33222",5,30)
n = p.match("cbagfed1CDEFGAB77ooo",7,18)

print(m)
print(n)
# 说明：①match可输入参数表示起始；
# ②查找结果只有一个，表示第一次进行匹配成功的内容
# ③起始位置必须满足条件？
# ④大拿好像讲错了，什么贪婪、非贪婪，这里1是可以查找的呀
print(m[0])
print(m.start(0))
print(m.end(0))

<re.Match object; span=(5, 10), match='34353'>
<re.Match object; span=(7, 8), match='1'>
34353
5
10

import re

# 对compile进行编译,编译一个正则
p = re.compile(r'([a-z]+) ([a-z]+)', re.I) # 查找的内容能分成两组，组之间有空格。
# 意为：我要查找一个内容，里面东西必须得能被分成两组，每组至少一个小写字母，且只能有小写字母
# I 参数表示不区分大小写

m = p.match("I am realy a man. ")
print(m)
print("m.groups() = ",m.groups())
print(m.group(0),"----",m.group(1))
print(m.start(0),"----",m.start(2))
print(m.end(0),"----",m.end(1))

<re.Match object; span=(0, 4), match='I am'>
m.groups() =  ('I', 'am')
I am ---- I
0 ---- 2
4 ---- 1

# 查找
- search(str,[,pos[,endpos]]):在字符串中查找匹配，pos和endpos表示起始位置
- findall:查找所有
- finditer:查找，返回一个iter结果

import re

p = re.compile(r'\d+')
m = p.search("one12rwo34three567four")
print(m.group())

12

rst = p.findall("one12rwo34three567four")
print(type(rst))
print(rst)

<class 'list'>
['12', '34', '567']

# sub替换
import re

p = re.compile(r'(\w+) (\w+)')
s = "hello 123 wang 456 xiaojing, i love you"

rst = p.sub(r'Replace you',s)
print(rst)

Replace you Replace you xiaojing, Replace you you

# 匹配中文
import re

title = u'世界 你好， hello moto'
p = re.compile(r'[u4e00-\u9fa5]+')
rst = p.findall(title)

print(rst)

['世界', '你好', 'hello', 'moto']

# 贪婪
import re 

title = u'<div>name</div><div>age</div>'

p1 = re.compile(r"<div>.*</div>") # 贪婪搜索
p2 = re.compile(r"<div>.*?</div>") # 非贪婪搜索

m1 = p1.search(title)
print(m1.group())

m2 = p2.search(title)
print(m2.group())

    <div>name</div><div>age</div>
    <div>name</div>