Python之正则表达式

Re一些规则

正则表达式在很多地方都是非常有用的，比如在写网络爬虫的时候，提取元素或者提取网址的时候有很大的作用。而正则表达式常用于字符串操作

字符匹配

1.元字符的完整列表：. ^ $ * + ? { [ ] | ( )
匹配“a,b,c中的一个字符”:[abc] 或者 [a-c]
2.一些常用的特殊符号

d 匹配任何十进制数，相当于[0-9]
D 匹配任何非数字字符，相当于[^0-9]
s 匹配任何非空白字符，相当于[	

fv....]
S 匹配任何非空白字符，相当于[^ 	

fv...]
w 匹配任何字母数字字符，相当于[a-zA-Z0-9]
W 匹配任何非字母数字字符,相当于[^a-zA-Z0-9]

3.重复

• “*”前一个字符可以被匹配零次或更多次，而不是只有一次
• {m,n}限定符,表示至少有m个重复、至多有n个重复.

eg.
re.match(r'a/{2,4}b',a//b)=true
re.match(r'a/{2,4}b',a/b)=false

python使用正则表达式

RegexObject实例:

方法/属性	作用
match()	决定re是否在字符串刚开始的位置匹配
search()	扫描字符串，找到这个re匹配的位置
findall()	找到re匹配的子串，并把它们作为一个列表返回
finditer()	找到re匹配的所有子串，并把它们作为一个迭代器返回

MatchObject实例:

方法/属性	作用
group()	返回被re匹配的字符串
start()	返回匹配开始的位置(索引)
end()	返回匹配结束的位置(索引)
span()	返回一个元组包含匹配(开始，结束)的位置

eg.
p = re.compile('d+')
p.findall('1 hello，2 byebye，3 yes，4 no')
>>>['1','2','3','4']

一些提醒:
[^abc]表达的意思是匹配除了abc的任何一个字符;但是如果是^abc则表达的意思是匹配以'abc'开始的字符串
match()函数只检查re是否在字符串开始处匹配，而research()则是扫描整个字符串。如果匹配不是从字符串的位置0处开始的，match()将不会报告它。
From (S+@S+)表达的意思是从From开始匹配，但是提取的时候只提取括号内的内容。

贪婪匹配

默认的为贪婪匹配，意思是:

#我想匹配From:，所以可以用^F.+:进行匹配
p = re.match(r'^F.+:','From: using : it is')
print(p)
>>>From: using : 

从上述例子可以看出，一般匹配的时候都采用了贪婪匹配，即满足匹配规则的最长字符串；为了避免这个，需要将匹配规则写成'r'^F.+:?'，其中？就是不进行贪婪匹配。

修改字符串

方法/属性	作用
split()	将字符串在re匹配的地方分片并生成一个列表
sub()	找到re匹配的所有子串，并将其用一个不同的字符串替换
subn()	与sun()相同，但返回新的字符串和替换次数

将字符串分片split()

p = re.compile(r'W+')
p.split('This is a test')
>>> ['This','is','a','test','']

更高级一点的分片

往往我们需要的可能只是一个字符串里的字母或者数字，即相关数据提取；所以我们对于一些符号需要进行排除p.split(r'(s\,.#\)ab*'), 这样的格式就可以将一些符号进行排除，只正确分片出我们所需呀的关键信息。

搜索和替换sub()

sub(replacement,string[,count = 0])返回的字符串是在字符串中用re最左边不重复的匹配来替换，如果模式没有被发现，字符将被没有改变的返回。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。

eg.
p = re.compile('(blue|white|red)'))
p.sub('colour','blue socks and red shoes')
>>>colour socks and colour shoes.
p.sub('colour','blue socks and red shoes',count = 1)
>>>colour socks and red shoes

邮箱验证

虽然没有统一的邮箱账号格式，但是所有邮箱都符合“名称@域名”的规律。对于名称和域名的字符限制，我们可以根据项目的情况定义一个，比如只允许有英文、数字、下划线等组成。
举例：zhangsan-001@gmail.com
分析邮件名称部分

• 26个大小写英文字母表示为a-zA-Z
• 数字表示为0-9
• 下划线表示为_
• 中划线表示为-
• 由于名称是由若干个字母、数字、下划线和中划线组成，所以需要用到+表示多次出现
  所以根据以上条件得出邮件名称表达式：[a-zA-Z0-9_-]+
  由于邮箱的基本格式为“名称@域名”，需要使用“^”匹配邮箱的开始部分，用“$”匹配邮箱结束部分以保证邮箱前后不能有其他字符，所以最终邮箱的正则表达式为：

^[a-zA-Z0-9_-]+@[a-zA-Z0-9_-]+(.[a-zA-Z0-9_-]+)+$