★ 正则表达式基本概念

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个 "规则字符串"，这个"规则字符串"用来表达对字符串的一种过滤逻辑.

★ 字符匹配

  • 单字符匹配

    字符 功能
    . 匹配任意1个字符（除了\n）
    [ ] 匹配[ ]中列举的字符
    \d 匹配数字，即0-9
    \D 匹配非数字，即不是数字
    \s 匹配空白，即 空格，tab键
    \S 匹配非空白
    \w 匹配单词字符，即a-z、A-Z、0-9、_
    \W 匹配非单词字符

  • 多字符匹配

    字符 功能
    * 匹配前一个字符出现0次或者无限次，即可有可无
    + 匹配前一个字符出现1次或者无限次，即至少有1次
    ? 匹配前一个字符出现1次或者0次，即要么有1次，要么没有
    匹配前一个字符出现m次
    匹配前一个字符出现从m到n次

  • 匹配开头结尾

    字符 功能
    ^ 匹配字符串开头
    $ 匹配字符串结尾

  • 匹配分组

    字符 功能
    | 匹配左右任意一个表达式
    (ab) 将括号中字符作为一个分组
    \num 引用分组num匹配到的字符串
    (?P) 分组起别名
    (?P=name) 引用别名为name分组匹配到的字符串

  • 基本使用

    • 案例1
      import re

ret = re.match("([^-]*)-(\d+)","010-12345678")
print(ret.group())
print(ret.group(1))
print(ret.group(2))

# 运行结果：
'010-12345678'
'010'
'12345678'
    • 案例2
      import re

labels = ["<html><h1>www.itcast.cn</h1></html>", "<html><h1>www.itcast.cn</h2></html>"]

for label in labels:
    ret = re.match(r"<(\w*)><(\w*)>.*</\2></\1>", label)
    if ret:
        print("%s 是符合要求的标签" % ret.group())
    else:
        print("%s 不符合要求" % label)
    
# 运行结果：
<html><h1>www.itcast.cn</h1></html> 是符合要求的标签
<html><h1>www.itcast.cn</h2></html> 不符合要求
    • 案例3
      import re

ret = re.match(r"<(?P<name1>\w*)><(?P<name2>\w*)>.*</(?P=name2)></(?P=name1)>", "<html><h1>www.itcast.cn</h1></html>")
print(ret.group())

# 运行结果：
'<html><h1>www.itcast.cn</h1></html>'

★ re 高级用法

  • 语法规则

    • match(pattern,string): 匹配字符串的开头
      pattern： 正则表达式
      string： 要进行匹配的字符串
      返回一个匹配对象
    • search(pattern, string): 匹配字符串的任意位置
      pattern： 正则表达式
      string： 要进行匹配的字符串
      返回一个匹配对象
    • findall(pattern, string): 匹配所有符合条件的内容
      pattern： 正则表达式
      string：要进行匹配的字符串
      返回所有符合条件的内容的列表
    • sub(pattern, repl, string, count=0): 替换匹配到的内容
      pattern： 正则表达式
      repl：要替换成的内容
      string：要进行替换的字符串
      count：要替换的次数，默认为0，表示无限次
      返回替换后的字符串
    • split(pattern, string[,maxsplit]): 将匹配到的内容作为分割字符进行字符串的分割
      pattern：正则表达式
      string：要进行分割的字符串
      maxsplit：最大分割次数
      返回分割后的字符串列表

  • 案例演示

    • search 使用
      #coding=utf-8
import re

ret = re.search(r"\d+", "阅读次数为 9999")
ret.group()

运行结果：
'9999'
    • findall 使用
      #coding=utf-8
import re

ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")
print(ret)

运行结果：
['9999', '7890', '12345']
    • sub 使用
      #coding=utf-8
eg1:
import re

ret = re.sub(r"\d+", '998', "python = 997")
print(ret)

运行结果：
python = 998


eg2:
#coding=utf-8
import re

def add(temp):
    strNum = temp.group()
    num = int(strNum) + 1
    return str(num)

ret = re.sub(r"\d+", add, "python = 997")
print(ret)

ret = re.sub(r"\d+", add, "python = 99")
print(ret)

运行结果：
python = 998
python = 100

  • 贪婪与非贪婪

    • 基本概念

      Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；
非贪婪则相反，总是尝试匹配尽可能少的字符。在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。

    • 案例演示

      >>> re.match(r"aa(\d+)","aa2343ddd").group(1)
'2343'
>>> re.match(r"aa(\d+?)","aa2343ddd").group(1)
'2'
>>> re.match(r"aa(\d+)ddd","aa2343ddd").group(1) 
'2343'
>>> re.match(r"aa(\d+?)ddd","aa2343ddd").group(1)
'2343'

  • r的作用

    • 使用演示

      >>> mm = "c:\\a\\b\\c"
>>> mm
'c:\\a\\b\\c'
>>> print(mm)
c:\a\b\c
>>> re.match("c:\\\\",mm).group()
'c:\\'
>>> ret = re.match("c:\\\\",mm).group()
>>> print(ret)
c:\
>>> ret = re.match("c:\\\\a",mm).group()
>>> print(ret)
c:\a
>>> ret = re.match(r"c:\\a",mm).group()
>>> print(ret)
c:\a
>>> ret = re.match(r"c:\a",mm).group()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
>>>

    • 使用总结

      Python中字符串前面加上 r 表示原生字符串, 与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题，有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。