07模式匹配正则表达式

正则表达式：regular expression，缩写是regex。
本章最后会有让你自动摘取文本中的电话号码和邮箱地址。

1.用正则表达式来寻找合适的电话号码：

三个发展阶段
用def定义函数—\d\d\d-\d\d\d\d-\d\d\d—\d{3}-\d{4}-\d{3}
其中\d代表数字0-9，就不需要再使用def再去筛选是否是数字了。
{ }在此表示，匹配之前的模式相对应的次数。

2.所有python中的regex在re中，所以要先import re

正则表达式
phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')
#这里的compile是什么意思？此句代表建立一个正则表达式。
mo = phoneNumRegex.search('My number is 415-555-4242.')
#这里的search指要搜索的对象，如果搜索不到对象则会返回none。
print('Phone number found: ' + mo.group())
#这里的group指对答案的集合???他明明不是集合为什么要用group

正则表达式的更多模式匹配

group模式
例如要将电话里的前半部分和后半部门分开来找，在此group（1）代表第一个（里的部分），group（0）和group（）一样，都代表输出整个。groups()代表分别输出（）里的内容并且按照格式。
phoneNumRegex = re.compile(r'(\d\d\d)-(\d\d\d-\d\d\d\d)')
mo = phoneNumRegex.search('My number is 415-555-4242.')
mo.group(1)
'415'
mo.group(2)
'555-4242'
mo.group(0)
'415-555-4242'
mo.group()
'415-555-4242'
mo.groups()
('415', '555-4242')
areaCode, mainNumber = mo.groups()
print(areaCode)
415
print(mainNumber)
555-4242

PIPE管道模式

匹配多个正则表达式的时候可以用|连接，匹配到的第一个合适的内容会被输出，之后的就不会有输出了。

正则表达式如何输出多个结果？使用findall

用问号标记随机匹配的正则表达式
问号前的东西可以有也可以没有。

batRegex = re.compile(r'Bat(wo)?man')
mo1 = batRegex.search('The Adventures of Batman')
mo1.group()
'Batman'

mo2 = batRegex.search('The Adventures of Batwoman')
mo2.group()
'Batwoman'

用*匹配0或更多该内容的正则表达式

batRegex = re.compile(r'Bat(wo)*man')
mo1 = batRegex.search('The Adventures of Batman')
mo1.group()
'Batman'

mo2 = batRegex.search('The Adventures of Batwoman')
mo2.group()
'Batwoman'

mo3 = batRegex.search('The Adventures of Batwowowowoman')
mo3.group()

用+匹配1个或以上的标记内容的正则表达式

batRegex = re.compile(r'Bat(wo)+man')
mo1 = batRegex.search('The Adventures of Batwoman')
mo1.group()
'Batwoman'

mo2 = batRegex.search('The Adventures of Batwowowowoman')
mo2.group()
'Batwowowowoman'

mo3 = batRegex.search('The Adventures of Batman')
mo3 == None
True

用{ }匹配的特定重复的内容

比如匹配（ha）{3}，就是指匹配hahaha；
比如（ha）{3，5}，就是匹配3-5个ha
比如（ha）{3，}匹配3个以及无限多的ha

但有个问题，在使用{3，5}时，匹配的结果总是出现5个ha的那个，这是因为系统的greedy，如果要让系统non-greedy（在此的意思就是输出的是3个ha的那种），需要变成另外一种格式，就是在{ }加上？。
注意，这边的？和（ha）？中的这个意义是不同的。

findall

• 在使用re.compile search时，出现的结果都只有一个匹配项，如果想让所有匹配项都出现，需要用到findall。
• 使用的时候不能再用group了，因为findall结果将会以列表的形势出现。
• 要陈列匹配结果的时候，需要将原来的search改成findall。
• 如果用findall，正则表达式中那个匹配公式是没有group的。

正则表达式中的代表字符缩写和其意义

Shorthand character class	Represents
\d	Any numeric digit from 0 to 9.
\D	Any character that is not a numeric digit from 0 to 9.
\w	Any letter, numeric digit, or the underscore character. (Think of this as matching “word” characters.)
\W	Any character that is not a letter, numeric digit, or the underscore character.
\s	Any space, tab, or newline character. (Think of this as matching “space” characters.)
\S	Any character that is not a space, tab, or newline.

我们也可以自己做正则表达式的搜索范围，用[ ]中的内容表示

比如[a-z]代表所有的小写字母。如果将^{放在a的前面[}a-z]，代表是后面的反义词，代表只匹配除了[]里的其他内容。

限定开始和结束

如果将^ 放在字符串的前面，代表以xxxx开头的意思，比如r’^[a-z]’或者 r’^hello’。
如果是$放在字符串结尾，代表以什么为结束。
如果一个字符串里既有^又有$，代表整个字符串都必须是什么。

通配符

通配符“.”，这个代表可以匹配除换行以外的所有字符，但是只能匹配一个字符。

如果想匹配多一些的字符，可以使用“.*”，但也不包括匹配换行的。

如果想匹配换行的，可以调用re里的dotall。

noNewlineRegex = re.compile('.*')
noNewlineRegex.search('Serve the public trust.\nProtect the innocent.
\nUphold the law.').group()
'Serve the public trust.'

newlineRegex = re.compile('.*', re.DOTALL)
newlineRegex.search('Serve the public trust.\nProtect the innocent.
\nUphold the law.').group()
'Serve the public trust.\nProtect the innocent.\nUphold the law.'

符号复习Review of Regex Symbols

This chapter covered a lot of notation, so here’s a quick review of what you learned:
The ? matches zero or one of the preceding group.
The * matches zero or more of the preceding group.
The + matches one or more of the preceding group.
The {n} matches exactly n of the preceding group.
The {n,} matches n or more of the preceding group.
The {,m} matches 0 to m of the preceding group.
The {n,m} matches at least n and at most m of the preceding group.
{n,m}? or *? or +? performs a nongreedy match of the preceding group.
^spam means the string must begin with spam.
spam$ means the string must end with spam.
The . matches any character, except newline characters.
\d, \w, and \s match a digit, word, or space character, respectively.
\D, \W, and \S match anything except a digit, word, or space character, respectively.
[abc] matches any character between the brackets (such as a, b, or c).
[^abc] matches any character that isn’t between the brackets.

想要忽略大小写的匹配正则表达式
使用re.IGNORECASE或者使用re.I，作为re.compile（）内部的第二个参数。

练习项目中为什么要加上r？
三个引号是什么意思？
pyperclip的用法?
为什么findall后面就不能用group（），只有search后面能跟group。