Python模块-re

目录

• re模块中常用功能函数
  • compile()
  • match()
  • search()
  • findall()
  • finditer()
  • split()
  • sub()
  • subn()
  • 使用总结
• 正则表达式符号
• 贪心和非贪心匹配

正则表达式本身是一种小型的、高度专业化的编程语言。Python 的 re 模块（Regular Expression 正则表达式）提供各种正则表达式的匹配操作，Python 会将正则表达式转化为字节码，利用 C 语言的匹配引擎进行深度优先的匹配。

参考：
https://www.cnblogs.com/tina-python/p/5508402.html
https://blog.csdn.net/sinat_20791575/article/details/54139404
https://www.cnblogs.com/dreamer-fish/p/5282679.html

re模块中常用功能函数

compile()

re.compile(pattern, flags=0)
编译正则表达式，返回一个 pattern 对象
pattern: 编译时用的表达式字符串
flags: 编译标志位，用于修改正则表达式的匹配方式，如：是否区分大小写，多行匹配等。常用的flags有：

标志	含义
re.S(DOTALL)	使.匹配包括换行在内的所有字符
re.I(GNORECASE）	使匹配对大小写不敏感
re.L(LOCALE）	做本地化识别（locale-aware)匹配，法语等
re.M(MULTILINE)	多行匹配，影响^和$
re.X(VERBOSE)	该标志通过给予更灵活的格式以便将正则表达式写得更易于理解
re.U	根据Unicode字符集解析字符，这个标志影响w,W,,B

prog = re.compile(pattern)
result01 = prog.match(string)
result02 = prog.search(string)
result03 = prog.findall(string)

# 等价于
result = re.match(pattern, string)

match()

re.match(pattern, string, flags=0)
如果字符串的开头能匹配正则表达式，返回对应的 match 对象，否则返回None

search()

re.search(pattern, string, flags=0)
在字符串中查找，是否能匹配正则表达式，若是，返回对应的 match 对象，否则返回None

phoneMatch = re.search(r"(ddd)-(ddd)-(dddd)", 
                        "My number is 111-222-3333")
 
print(phoneMatch.group())
>>>'111-222-3333'
print(phoneMatch.groups())
>>>('111', '222', '3333')
 
print(phoneMatch.group(0))
>>>'111-222-3333'
print(phoneMatch.group(1))
>>>'111'
print(phoneMatch.group(2))
>>>'222'
print(phoneMatch.group(3))
>>>'3333'

findall()

re.findall(pattern, string, flags=0)
找到 RE 匹配的所有子串，并把它们作为一个列表返回。如果无匹配，返回空列表

re.findall(r"(ddd)-(ddd)-(dddd)",
          "My number is 111-222-3333; Your number is 123-555-8899")
>>>['111','222','333']

re.subn(r"n(.*?)er", "aa", "My number is 111-222-3333; Your number is 123-555-8899")
>>>('My aa is 111-222-3333; Your aa is 123-555-8899', 2)

re.findall(r"n.*?er", "My number is 111-222-3333; Your number is 123-555-8899")
>>>['number', 'number']

finditer()

re.finditer(pattern, string, flags=0)
找到 RE 匹配的所有子串，并把它们作为一个迭代器返回（没啥用）

split()

re.split(pattern, string, maxsplit=0, flags=0)
使用正则表达式分离字符串。如果用括号将正则表达式括起来，那么匹配的字符串也会被列入到list中返回。maxsplit是分离的次数，maxsplit=1分离一次，默认为0，不限制次数

text = "JGood is a handsome boy, he is cool, clever, and so on..."
re.sub(r's+', '-', text)

>>>'JGood-is-a-handsome-boy,-he-is-cool,-clever,-and-so-on...'

sub()

re.sub(pattern, repl, string, count=0, flags=0)
找到 RE 匹配的所有子串，并将其用一个不同的字符串替换。可选参数 count 是模式匹配后替换的最大次数；count 必须是非负整数。缺省值是 0 表示替换所有的匹配。如果无匹配，字符串将会无改变地返回

subn()

subn(pattern, repl, string, count=0, flags=0)
返回元组，结果和替换次数

使用总结

• 日常使用search和findall

• compile基本不用使用

• match与search与findall的区别

  re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配

  re.match('[d]',"abc33")
  >>>None
  re.search('[d]',"abc33").group()
  >>>3
  re.findall('[d]',"abc33")
  >>>['3', '3']
  

正则表达式符号

• 点号"."

  • 点号可以代表任意除 以外的字符
  • 一个点号代表一个字符，相当于占位符
  • chenjunpeng -> chenjun...g

• 星号"*"

  • 星号代表它前面的子表达式0次到多次
  • chenjunpeng -> chen.*g
  • chennnnnnn -> chen*
  • chen -> che*

• 问号"?"

  • 问好代表它前面的子表达式0次或者1次
  • chenjunpeng -> Chinju.?peng
  • chenjunpeng -> chenu?junpeng

• 加号"+"

  • 加号代表它前面的子表达式1次或者多次
  • Batwoman ->Bat(wo)+man

• 花括号{}

  • {2,5}
  • {2,5}?
  • 匹配制定次数
  • Batwowowoman ->Bat(wo){2,5}man

• 管道符"|"

• 括号()

  • 只要括号里面的内容
  • 括号内容相当一个完整的子表达式

• 转义字符" "

  • 反斜杠不能单独使用
  • 让特殊字符变为普通字符："*"
  • 让普通字符变为特殊字符："d" 代表数字

• 启始"^"

• 结尾"$"

• 提取数字

  • d
  • 正则表达式里面，使用 “d” 来表示一位数字。这里要强调一下，d 虽然是由从左上向右下的斜杠和字母d构成的，但是我们要把d看成是一个正则表达式符号整体。从左上向右下的斜杠，名字叫做“反斜杠”，在正则表达式中是作为转义字符，不能单独使用。
  • 如果要提取两个数字，我们可以使用 dd，如果要提取三个数字，我们可以使用ddd,但是问题来了，如果我们不知道有这个数有多少位怎么办呢？就需要使用上一课讲到的 + 号。+ 号可以匹配它前面的符号一次或者多次。所以使用 d+，可以表示一个任意位数的数字。

• 提取文本

  • .* 贪心算法

  • .*? 非贪心算法

  • 对于文本来说，我们在爬虫中一般使用 .*? 这三个符号来完成。

  • 我们知道点号表示任意非换行符的字符，*号表示匹配它前面的字符零次或者任意多次。所以 .* 表示匹配一串任意长度的字符串任意次。这个时候必须在 .* 的前后加其他的符号来限定范围，否则得到的结果就是原来的整个字符串。

  • 如果在 .* 的后面加一个问号变成 .*? ，那么可以得到什么样的结果呢？问号表示匹配它前面的符号0次或者1次。于是 .*? 的意思就是，匹配一个能满足要求的最短字符串。

  • 换行符 隔断处理

• 字符类

  实例	描述
  [Pp]ython	匹配 "Python" 或 "python"
  rub[ye]	匹配 "ruby" 或 "rube"
  [aeiou]	匹配中括号内的任意一个字母
  [0-9]	匹配任何数字。类似于 [0123456789]
  [a-z]	匹配任何小写字母
  [A-Z]	匹配任何大写字母
  [a-zA-Z0-9]	匹配任何字母及数字
  [^aeiou]	除了aeiou字母以外的所有字符
  [^0-9]	匹配除了数字外的字符

• 特殊字符类

  实例	描述
  .	匹配除 " " 之外的任何单个字符。要匹配包括 ' ' 在内的任何字符，请使用象 '[. ]' 的模式。
  d	匹配一个数字字符。等价于 [0-9]。
  D	匹配一个非数字字符。等价于 [^0-9]。
  s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ f v]。
  S	匹配任何非空白字符。等价于 [^ f v]。
  w	匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。
  W	匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。

贪心和非贪心匹配

Python的正则表达式匹配模式默认是贪心匹配

问号模式是非贪心模式

# 贪心
re.search(r"d{2,5}", r"123456").group()
>>> '12345'

# 非贪心
re.search(r"d{2,5}?", r"12346").group()
>>> '12'

# 贪心
re.findall(r"n(.*)er", "My number is 111-222-3333; Your number is 123-555-8899")
>>>['umber is 111-222-3333; Your numb']

# 非贪心
re.findall(r"n(.*?)er", "My number is 111-222-3333; Your number is 123-555-8899")
>>>['umb', 'umb']