第二章 正则表达式
00 min
2024-4-23
正则表达式学习网站：
正则表达式 英文名称叫 Regular Expression简称RegEx，是用来匹配字符的一种工具，它常被用在网页爬虫，文稿整理，数据筛选, 数据隐藏等方面，最常用的就是用在网页爬虫，数据抓取。
另外, 正则表达式并不是Python所独有的, 在Java, PHP, Go以及JavaScript等语言中都支持正则表达式的.
 

正则字符分类

字符串限定类

符号
含义
例子
解释
^
匹配字符串的开头
“^a”
匹配以a开头的字符串
$
匹配字符串的末尾。
“a$”
匹配以a结尾的字符串
.
匹配任意一个字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
“.{3}”
匹配任意三个字符
[...]
用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k'
“[0-9a-zA-Z]{3}” ”[amk]{3}”
匹配三个字符, 字符只能是数字,大/小写字母 匹配三个字符, 字符只能是 'a'，'m'或'k'
[^...]
不在[]中的字符
“[^abc]“
匹配一个除了a,b,c之外的字符。
a|b
匹配字符a或b
“a|b|c”
匹配一个字符, 为a或b或c
\w
匹配字母数字及下划线
ㅤ
ㅤ
\W
匹配非字母数字及下划线
ㅤ
ㅤ
\s
匹配任意空白字符，
等价于 [ \t\n\r\f]
ㅤ
\S
匹配任意非空字符
ㅤ
ㅤ
\d
匹配任意数字
等价于 [0-9]
ㅤ
\D
匹配任意非数字
ㅤ
ㅤ
\A
匹配字符串开始
ㅤ
ㅤ
\Z
匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。
ㅤ
ㅤ
\z
匹配字符串结束
ㅤ
ㅤ
\G
匹配最后匹配完成的位置。
ㅤ
ㅤ
\b
匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
ㅤ
ㅤ
\B
匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
ㅤ
ㅤ
\n, \t, 等.
匹配一个换行符。匹配一个制表符。等
ㅤ
ㅤ
\1...\9
匹配第n个分组的内容。
ㅤ
ㅤ
\10
匹配第n个分组的内容，如果它经匹配。否则指的是八进制字符码的表达式
ㅤ
ㅤ

限定表达式类

符号
含义
例子
解释
*
表示0个或多个正则表达式。
“.*”
匹配任意数量的任意个字符
+
匹配1个或多个表达式。
“.+”
匹配一个或多个数量的任意字符
?
匹配0个或1个表达式
“a?”
匹配一个或一个a字符
{n}
精确匹配 n 个前面表达式。例如， o{2} 不能匹配 "Bob" 中的 "o"，但是能匹配 "food" 中的两个 o。
ㅤ
ㅤ
{n,}
匹配 n 个前面表达式。例如， o{2,} 不能匹配"Bob"中的"o"，但能匹配 "foooood"中的所有 o。"o{1,}" 等价于 "o+"。"o{0,}" 则等价于 "o*"。
ㅤ
ㅤ
{n, m}
匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
ㅤ
ㅤ
(re)
对正则表达式分组并记住匹配的文本
ㅤ
ㅤ
(?imx)
正则表达式包含三种可选标志：i, m, 或 x 。只影响括号中的区域。
ㅤ
ㅤ
(?-imx)
正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。
ㅤ
ㅤ
(?: re)
类似 (...), 但是不表示一个组
ㅤ
ㅤ
(?imx: re)
在括号中使用i, m, 或 x 可选标志
ㅤ
ㅤ
(?-imx: re)
在括号中不使用i, m, 或 x 可选标志
ㅤ
ㅤ
(?#...)
注释.
ㅤ
ㅤ
(?= re)
前向肯定界定符。如果所含正则表达式，以 ... 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。
ㅤ
ㅤ
(?! re)
前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功
ㅤ
ㅤ
(?> re)
匹配的独立模式，省去回溯。
ㅤ
ㅤ

Python正则表达式-re模块

Python使用re模块提供了正则表达式处理的能力

常量

使用|位或运算开启多种选项
 

功能

re模块提供的正则表达式主要有六个功能
  • 单次匹配
  • 全文匹配
  • 匹配替换
  • 分组
  • 分割字符串
  • 编译
 

单次匹配

  • re.match(pattern, string, flags=0)
    • 从字符串开头匹配, 匹配成功返回match对象, 否则返回None
    • pattern: 正则表达式
    • string: 要匹配的字符串
    • flags: 匹配模式(后面介绍)
  • re.search(pattern, string, flags=0)
    • 从字符串任意位置匹配, 返回match对象, 否则返回None
    • 参数介绍同上
  • fullmatch(pattern, string, flags=0)
    • 整个字符串和正则表达式进行匹配, 返回match对象, 否则返回None
  • group([0])
    • 返回match匹配对象的整个匹配结果或特定的分组匹配结果
    • 默认参数为0, 返回整个匹配对象的匹配结果
    • 参数为其他整数, 返回特定分组的匹配结果(分组后面介绍)
  • groups()
    • 返回的match匹配对象的所有分组匹配结果组成的元组
注: 如果匹配不成功, 则返回的是None对象, 不会有group方法
贪心匹配和非贪心匹配
  • 贪心匹配：匹配可选范围内最长字符串(一般默认都是贪心匹配)
  • 非贪心匹配：匹配可选范围内最短字符串
注：`?` 在正则表达式中可能有两种含义： 声明非贪心匹配或表示可选的分组。这两种含义是完全无关的

全文匹配

  • findall(pattern, string, flags=0)
    • 从字符串任意位置查找, 返回一个列表
  • finditer(pattern, string, flags=0)
    • 从字符串任意位置查找, 返回一个迭代器, 迭代出来的是match对象, 需要再通过group方法查看

匹配替换

  • re.sub(pattern, replacement, string, count=0, flags=0)
    • replacement: 用replacement替换掉string中被pattern表达式匹配的字符
    • replacement可以是string, bytes, function.
    • count: 最大替换次数
  • re.subn(pattern, replacement, string, count=0, flags=0)
    • 同sub方法, 返回一个元组(new_string, number_of_subs_made)

分组

使用小括号的pattern捕获的数据别放在了组group中
match, search方法可以返回match对象; findall但会字符串列表; finditer返回迭代器, 可迭代出match对象
如果pattern(正则表达式)中使用了分组并且有匹配的结果, 会在match对象中.
  • 使用group(N)方式返回对应分组, 1到N是对应的分组, 0返回整个匹配的字符串
  • 如果使用了命名分组, 可以使用group(”name”)方式取分组
  • 也可以使用groups返回所有分组
  • 使用groupdict()返回所有命名的分组
起别名:
  • ?P<name>
    • 在需要起别名的分组括号内添加字符, name为分组名
  • (?P=name)
    • 在需要引用分组名为name的地方添加, 引用对应的分组的正则表达式

分割字符串

字符串的分割字符串方法str.split, 太难用了, 不能指定多个字符串进行分割.
  • re.split(pattern, string, maxsplit=0, flags=0)
    • maxsplit为最大分割次数
 

编译

1、常量
常量
说明
re.M re.MULTILINE
多行模式
re.S re.DOTALL
单行模式
re.I re.IGNORECASE
忽略大小写
re.X re.VERBOSE
忽略表达式中的空白字符
2、编译 —>复用正则表达式
  • re.compile(pattern, flags=0)
    • 返回正则表达式对象regex
    • pattern为正则表达式
    • flags: 可选, 编译模式
    • re的其他方法为了提高效率都调用了编译方法
正则表达式可以被编译, 为了提高效率, 这些编译后的结果被保存, 下次使用同样的pattern的时候, 就不需要再次编译.
3、常量的匹配模式
待续。。。