正则表达式

正则表达式

动机
1. 处理文本成为计算机常见工作之一
2. 对文本内容的搜索提取是一项比较复杂困难的工作
3. 为了快速方便处理上述问题，正则表达式技术诞生，主键发展为一个被众多语言使用的独立技术

定义：即高级文本匹配模式，提供了搜索，替代等功能。本质是由一系列特殊符号和字符组成的子串，这个子串即是正则表达式。这个表达式描述了字符和字符的重复行为，可以匹配一类特征的字符串。

目标：
1. 熟练使用正则表达式符号
2. 正确组合和理解一般的正则表达式
3. 能够使用Python操作正则表达式

正则表达式特点
* 方便进行检索和修改
* 支持语言众多
* 灵活多样
* mongo正则类型，django等框架作为url匹配，爬虫

正则表达式的使用
Python ----》 re模块 处理正则表达式

re.findall(pattern,string)
功能 ： 使用正则表达式匹配字符串
参数 ：  pattern 正则表达式
         string  目标字符串
返回值 ： 一个列表  匹配到的所有内容

元字符 （即正则表达式中有特殊含义的符号）

1. 普通字符
元字符 ： abc
匹配规则 ： 匹配相应的普通字符

In [6]: re.findall("abc","abcdefghabcdhig")
Out[6]: ['abc', 'abc']

2. 或
元字符 ：  ab|cd
匹配规则 ： 匹配|两边任意一个正则表达式符合的情况
In [7]: re.findall("ab|cd","abcdefghabcdhig")
Out[7]: ['ab', 'cd', 'ab', 'cd']
* |两侧不要有没用的空格

3. 匹配单一字符
元字符 ：  .
匹配规则： 匹配除了换行之外的任意字符
f.o---》 foo  fao  f@o

In [10]: re.findall("f.o","foo is not fao")
Out[10]: ['foo', 'fao']

4. 匹配开始位置
元字符： ^
匹配规则： 匹配一个字符串的开始位置
^Hello  ---> Hello world  : Hello

In [14]: re.findall("^hello","hello world")
Out[14]: ['hello']

5. 匹配结束位置
元字符： $
匹配规则：匹配目标字符串的结束位置
py$  --->  hello.py

In [16]: re.findall("py$","hello.py")
Out[16]: ['py']

6. 匹配重复
元字符 ：  *
匹配规则： 匹配前面的正则表达式重复0次或多次
fo* ---》 fo  foo  foooooooo   f

In [19]: re.findall("ab*","abbcdef")
Out[19]: ['abb']

7. 匹配重复
元字符 ：  +
匹配规则： 匹配前面的正则表达式重复1次或多次

ab+   ---》   ab  abbb  abbbb
In [23]: re.findall(".+py$","hello.py")
Out[23]: ['hello.py']

8. 匹配重复
元字符：   ？
匹配规则： 匹配前面的正则表达式重复0次或1次
ab？ -->   a   ab

In [24]: re.findall("ab?","abcdefa")
Out[24]: ['ab', 'a']

9. 匹配重复
元字符：  ｛n｝
匹配规则 ： 匹配指定的重复次数
ab{3} --->  abbb
In [25]: re.findall("ab{3}","abbbbbbbb")
Out[25]: ['abbb']

10. 匹配重复
元字符 ：  ｛m,n｝
匹配规则 ： 匹配前面的正则表达式重复 m次 到 n次
ab｛3,5｝  abbb  abbbb abbbbb
In [26]: re.findall("ab{2,5}","abcdabbbabbbbbb")
Out[26]: ['abbb', 'abbbbb']

11. 匹配字符集合
元字符：  []
匹配规则 :  匹配括号范围内的任意一个字符
[abc123d]  a b c 1 2 3 d
[a-z]  
[A-Z]
[0-9]
[123a-zA-Z]
In [31]: re.findall("[_0-9a-zA-Z]","Hello world 123")

12. 匹配字符集合
元字符： [^...]
匹配规则 ： 匹配除指定字符集之外的任意字符

In [34]: re.findall("[^abc]","nihao abc")
Out[34]: ['n', 'i', 'h', 'o', ' ']

13. 匹配任意（非）数字字符
元字符：  \d    \D
匹配规则 ： \d 匹配任意数字字符   \D  匹配任意非数字字符
             [0-9]                 [^0-9]

In [35]: re.findall("1\d{10}","17611665537")
Out[35]: ['17611665537']

14. 匹配（非）普通字符  （普通字符： 数字字母下划线）
元字符 ： \w            \W
匹配规则:  \w 匹配任意一个普通字符  \W匹配任意非普通字符
          [_0-9a-zA-Z]              [^_0-9a-zA-Z]

In [39]: re.findall("\w+","hello$1")
Out[39]: ['hello', '1']

In [40]: re.findall("\W+","hello$1")
Out[40]: ['$']

15. 匹配（非）空字符
元字符 :  \s      \S
匹配规则：\s 匹配任意空字符    \S 匹配任意非空字符
          [ \n\t\r]

In [45]: re.findall("\s",'hello world\r\n\t\0')
Out[45]: [' ', '\r', '\n', '\t']

16. 匹配起止位置
元字符：   \A     \Z
匹配规则 ： \A匹配开始位置    \Z匹配结束位置
             ^                 $
绝对匹配  \Aabc\Z  ----> abc (且字符串只是abc)

In [48]: re.findall("\A/\w+/\w+\Z",'/football/zhongchao')
Out[48]: ['/football/zhongchao']

17. 匹配(非)单词边界位置
元字符： \b     \B
匹配规则 ： \b 匹配单词的边界    \B匹配非单词的边界

单词边界 ： 数字字母下划线和其他字符的交界位置为单词的边界

abc_1 haha

In [55]: re.findall(r"\Bis\b",'This is a test')
Out[55]: ['is']

元字符总结

匹配单个字符：a  .  \d  \D   \w  \W  \s  \S  [...]  [^...]
匹配重复性 ： *   +   ？  ｛N｝  ｛m,n｝
匹配某个位置 ： ^   $   \A  \Z   \b  \B
其他 ：  |   （）  \

转义字符

正则表达式特殊符号 ：
.   *   ?   $  ''   ""   []  {}  ()   \  ^
如果想匹配特殊符号则加转义

\"\.\"   ----->  "."

r ---> raw  原生字符串 ： 不进行转义

In [64]: re.findall(r"\bis",'This is')
Out[64]: ['is']

贪婪和非贪婪

正则表达式默认的重复匹配模式 ： 贪婪模式
尽可能多的向后匹配

*  +   ？  ｛m,n｝  这四种情况下会产生贪婪模式

非贪婪模式 ： 尽可能少的匹配内容，满足正则表达式含义即可

贪婪---》非贪婪   *？   +？  ??  ｛m,n｝?

In [70]: re.findall("ab*?",'abbbbbbbbcded')
Out[70]: ['a']

In [71]: re.findall("ab+?",'abbbbbbbbcded')
Out[71]: ['ab']

正则表达式分组

使用（）可以为一个正则表达式建立一个子组，子组可以看做内部的整体
abcdef ----》 http://www.baidu.com

子组的作用
1. 增加子组后对正则表达式整体的匹配内容没有影响
2. 子组可以改变重复元字符的重复行为
3. 子组在某些操作中可以对子组匹配内容单独提取

子组的注意事项
1.每个正则表达式可以有多个子组，由外到内由左到右为第一第二。。。。子组
2.子组通常不要交叉

捕获组和非捕获组（命名组和非命名组）
子组命名格式
（?P<name>abc）
1.很多编程接口可以直接通过名字获取子组匹配内容
2.捕获组中的正则表达式可以通过名字重复调用
(?P=name)

(?P<dog>ab)cdef(?P=dog) -----> abcdefab

In [83]: re.search('(ab)+','ababababab').group()
Out[83]: 'ababababab'

In [84]: re.search('(?P<dog>ab)cdef(?P=dog)','abcdefabcde').group()
Out[84]: 'abcdefab'

匹配身份证号
\d{17}(\d|x)

re模块

obj = compile(pattern,flags = 0)
功能： 获取正则表达式对象
参数： pattern ： 正则表达式
       flags： 功能标志位，提供更丰富的匹配
返回值 ： 正则表达式对象

re模块和compile对象均有的函数

obj.findall(string,pos,endpos)
功能 ： 通过正则表达式匹配字符串
参数 ： string  目标字符串
        pos  目标字符串的匹配开始位置
    endpos 目标字符串的结束位置
返回值 ： 匹配到的所有内容以列表返回

* 如果正则表达式有子组则只显示子组匹配内容

obj.split(string)
功能 ： 按照正则表达式切割目标字符串
参数 ： 目标字符串
返回值 ： 切割后的内容

obj.sub（replaceStr，string，max）
功能： 替换正则表达式匹配到的内容
参数： replaceStr 要替换的内容
       string  目标字符串
       max   最多替换几处
返回值 ： 返回替换后的字符串

subn（repl，string，count）
功能： 替换正则表达式匹配到的内容
参数： repl 要替换的内容
       string  目标字符串
       count   最多替换几处
返回值 ： 返回替换后的字符串和实际替换的个数

re.finditer(pattern,string)
功能  ： 使用正则表达式匹配目标内容
参数  :  目标字符串
返回值 ： 迭代对象 迭代的每个内容为一个match对象

re.match(pattern,string)
功能 ： 匹配一个字符串的开头
参数 ： 目标字符串
返回值 ： 如果匹配到返回 match obj
          没有匹配到返回 None

re.search(pattern,string)
功能 ： 匹配一个字符串
参数 ： 目标字符串
返回值 ： 如果匹配到返回 match obj
          没有匹配到返回 None
* match 只能匹配字符串的开头位置，search可以匹配任意位置，但是也只能匹配一处
* 通常match对象调用其属性时往往需要try异常处理

fullmatch（）
要求目标字符串完全匹配

compile 对象特有属性（re模块没有）
flags ： 标志位
pattern ： 正则表达式
groupindex  ： 捕获组形成的字典
groups ： 多少个子组
 

match 对象属性方法

print(match_obj.pos)  #目标字符串开头位置
print(match_obj.endpos) # 目标字符串结束位置
print(match_obj.re)  # 正则表达式对象
print(match_obj.string) # 目标字符串
print(match_obj.lastgroup) # 最后一组的名字
print(match_obj.lastindex) # 最后一组是第几组

span()     匹配到内容的起止位置
start()  匹配到内容的开始位置
end()   匹配到内容的结束位置

group(n)
功能 ： 获取match 对象匹配的内容
参数 ： 默认为0 表示获取正则整体的匹配内容
        如果传入大于0的正数则表示获取对应子组匹配内容
返回值：返回匹配到的内容

groups()
功能 ： 得到所有子组匹配的内容

groupdict()
功能 ：得到所有捕获组匹配的内容