RE正则表达式

一. 什么是正则表达式

　　1. 定义: 即文本的高级匹配模式,提供搜索,替换等功能.

　　  　　　 其本质是一系列由字符和特殊符号构成的字串,这个字串即正则表达式.

　　2. 匹配原理: 通过普通字符和有特定含义的字符,来组成字符串,用以描述一定的字符串规则.比如重复,位置等,来表达一种特定类型的字符串.

二. 为什么要学正则表达式

　　1. 文本处理已经成为计算机常见工作之一;

　　2. 对文本内容搜索,定位,提取是逻辑比较复杂的工作;

　　3. 为了快速方便的解决上述问题,产生了正则表达式技术.

三. 正则表达式元字符的使用

　　1. 普通字符

　　　　匹配规则: 每个普通字符匹配其对应的字符(以整体为单元)

　　　　d  可以匹配一个数字

　　　　w  可以匹配一个字母或数字

　　　 　.  可以匹配任意字符

　　　　s  可以匹配一个空格（也包括Tab等空白符）

　　　　s+ 表示至少有一个空格

　　　　要匹配变长的字符:

　　　　 *  表示任意个字符（包括0个）

　　　　 +  表示至少一个字符

　　　　 ?  表示0个或1个字符

　　　　{n} 表示n个字符

　　　　{n,m}表示n-m个字符

　　　　要做更精确地匹配,可以用[]表示范围:

　　　　[0-9a-zA-Z\_]   可以匹配一个数字、字母或者下划线

　　　　[0-9a-zA-Z\_]+  可以匹配至少由一个数字、字母或者下划线组成的字符串

　　　　[a-zA-Z\_][0-9a-zA-Z\_]*  可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的变量

　　　　[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}  更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）

　　　　A|B  可以匹配A或B,所以(P|p)ython可以匹配'Python'或者'python'

　　　　 ^   表示行的开头,^d表示必须以数字开头

　　　　 $   表示行的结束,d$表示必须以数字结束

　　　 ^py$  变成了整行匹配,就只能匹配'py'

　　2. re模块

　　　　Python提供re模块,包含所有正则表达式的功能.因Python的字符串本身也用 转义,所以在写正则表达式时应特别注意.

　　　　s = 'ABC\-001'  -->  s = 'ABC-001'

　　　　强烈建议使用Python的 r 前缀,就不用考虑转义的问题

　　　　s = r'ABC-001'  -->  s = 'ABC-001'

　　3. 判断正则表达式是否匹配

>>> import re
>>> re.match(r'^d{3}-d{3,8}$', '010-12345')
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> re.match(r'^d{3}-d{3,8}$', '010 12345')
>>> 

　　　　match()方法判断是否匹配,如果匹配成功,返回一个match对象,否则返回None.

　　　　常见的判断方法:

test = '用户输入的字符串'
if re.match(r'正则表达式', test):
    print('ok')
else:
    print('failed')

　　4. 切分字符串

#用正则表达式切分字符串比用固定的字符更灵活
>>> 'a b   c'.split(' ')
['a', 'b', '', '', 'c']
#无法识别连续的空格，用正则表达式试试
>>> re.split(r's+', 'a b   c')
['a', 'b', 'c']
#无论多少个空格都可以正常分割。加入,试试：
>>> re.split(r'[s\,]+', 'a,b, c  d')
['a', 'b', 'c', 'd']
#再加入;试试
>>> re.split(r'[s\,;]+', 'a,b;; c  d')
['a', 'b', 'c', 'd']

　　5. 分组

　　　　除了简单地判断是否匹配之外,正则表达式还有提取子串的强大功能.用()表示的就是要提取的分组(Group).　

#^(d{3})-(d{3,8})$分别定义了两个组,可以直接从匹配的字符串中提取出区号和本地号码:
>>> m = re.match(r'^(d{3})-(d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'

　　　　如果正则表达式中定义了组,就可以在Match对象上用group()方法提取出子串来.group(0)永远是原始字符串,group(1)、group(2)……表示第1、2、……个子串.

>>> t = '19:05:30'
>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
>>> m.groups()
('19', '05', '30')

　　6. 贪婪匹配

　　　　正则匹配默认是贪婪匹配,也就是匹配尽可能多的字符.

#匹配出数字后面的0:
>>> re.match(r'^(d+)(0*)$', '102300').groups()
('102300', '')
#由于d+采用贪婪匹配,直接把后面的0全部匹配了,结果0*只能匹配空字符串了.
#必须让d+采用非贪婪匹配(也就是尽可能少匹配),才能把后面的0匹配出来,加个?就可以让d+采用非贪婪匹配:
>>> re.match(r'^(d+?)(0*)$', '102300').groups()
('1023', '00')

　　7. 编译

　　　　当我们在Python中使用正则表达式时,re模块内部会干两件事情:

　　　　　　* 编译正则表达式,如果正则表达式的字符串本身不合法,会报错;

　　　　　　* 用编译后的正则表达式去匹配字符串.

　　　　如果一个正则表达式要重复使用几千次,出于效率的考虑,我们可以预编译该正则表达式,接下来重复使用时就不需要编译这个步骤了,直接匹配：

>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(d{3})-(d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')
# 编译后生成Regular Expression对象,由于该对象自己包含了正则表达式,所以调用对应的方法时不用给出正则字符串.

四. 待补充