正则表达式笔记

正则表达式

1. 正则表达式的匹配流程

2. 元字符和语法

2.1贪婪&懒惰

​ 贪婪如”*”字符 贪婪量词会首先匹配整个字符串，尝试匹配时，它会选定尽可能多的内容，如果 失败则回退一个字符，然后再次尝试回退的过程就叫做回溯，它会每次回退一个字符，直到找到匹配的内容或者没有字符可以回退。
​ 懒惰如 “?” 懒惰量词使用另一种方式匹配，它从目标的起始位置开始尝试匹配，每次检查一个字符，并寻找它要匹配的内容，如此循环直到字符结尾处。

2.2择一

​ ‘|’ 用于匹配多个表达式模式

2.3字串，字符边界

​ ‘^’ 字串起始位置

​ ‘$’字串结尾位置

​ ‘\b’ ‘\B’字符边界

2.4字符集、限定范围

​ 匹配字符集中任意一个字符

​ ‘[^]’不匹配字符集中的所有的字符

​ ‘[a-z]’匹配a-z

2.5闭包操作符

​ ‘*’匹配前一个表达式1次或多次

​ ‘+’匹配前一个表达式1次或多次

​ ‘?’匹配前一个表达式0次或多次

2.6预定义字符集

​ ‘\d’ 数字

​ ‘\w’全部的数字和字符

​ ‘\s’空白字符

3.Python re模块

3.1 compile

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符’|’表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile(‘pattern’, re.I | re.M)与re.compile(‘(?im)pattern’)是等价的。

可选值有：

• re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
• M(MULTILINE): 多行模式，改变’^’和’$’的行为（参见上图）
• S(DOTALL): 点任意匹配模式，改变’.’的行为
• L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
• U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
• X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

使用时可以选择不编译直接使用

import re
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello')
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello world!')
if match:
# 使用Match获得分组信息
print match.group()

3.2 match & search

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])

​ Match方法从第一个字符开始匹配，成功就返回一个匹配对象

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])

​ 这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结 束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

3.3 spilt

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])

p = re.compile(r'\d+')
print p.split('one1two2three3four4')

### output ###
# ['one', 'two', 'three', 'four', '']

按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

3.4 findall & finditer

findall
搜索string，以列表形式返回全部能匹配的子串。

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
p = re.compile(r'\d+')
print p.findall('one1two2three3four4')
### output ###
# ['1', '2', '3', '4']

finditer
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

3.5 sub & subn

sub
使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
count用于指定最多替换次数，不指定时全部替换。

p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print p.sub(r'\2 \1', s) 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
print p.sub(func, s)
### output ###
# say i, world hello!
# I Say, Hello World!

subn
返回 (sub(repl, string[, count]), 替换次数)。

p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print p.subn(r'\2 \1', s)
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
print p.subn(func, s)
### output ###
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

4 分句

import re
#main
out = open("Rainbow-.txt","w")
data = ""
#首先将所有的换行符去掉
for line in open("Rainbow.txt"):
    data += re.sub("\n","",line)
sentenceflag = re.compile("[\"“]?.*?[.。!！？\?][\"”]?")
sentences = sentenceflag.findall(data)
for sentence in sentences:
    out.writelines(sentence+"\n")

5 高级功能

5.1 按照单字符匹配

使用字符集来匹配数值区间

[0-9]                                #匹配0-9
65530-65535  ==>  6553[0-5]          #末位区间0-5
65500-65529  ==>  655[0-2][0-9]      #第四位区间0-2，末位区间0-9
65000-65499  ==>  65[0-4][0-9]{2}    #第三位区间0-4，后两位0-9
60000-64999  ==>  6[0-4][0-9]{3}     #第二位区间0-4，后三位0-9
10000-59999  ==>  [1-5][0-9]{4}      #第一位区间1-5，后四位0-9
1-9999       ==>  [1-9][0-9]{0,3}    #第一位只能是1-9，后三位可有可无
(6553[0-5]|655[0-2][0-9]|65[0-4][0-9]{2}|6[0-4][0-9]{3}|[1-5][0-9]{4}|[1-9][0-9]{0,3}) 
#匹配1-65535

5.2 匹配优先和不匹配优先

匹配优先和不匹配优先从字面理解也是比较容易的，所谓匹配优先，就是，能匹配我就先匹配；不匹配优先就是，能不匹配我就先不匹配，这段匹配先跳过，先看看后面的匹配能不能通过。

5.3 贪婪模式与非贪婪模式

正则的贪婪模式和非贪婪模式是一个比较容易混淆的概念，不过，我们可以这么理解，一个人很贪婪，所以他会能拿多少拿多少，换过来，那就是贪婪模式下的正则表达式，能匹配多少就匹配多少，尽可能最多。而非贪婪模式，则是能不匹配就不匹配，尽可能最少。

#源串
10001
10* ==> 1000,1
10*? ==> 1,1

10*1 ==> 10001
10*?1 ==> 10001

5.4环视（断言/零宽断言）/拓展表示

用一句通俗的话解释：
环视，就是先从全局环顾一遍正则，（然后断定结果，）再做进一步匹配处理。
断言，就是先从全局环顾一遍正则，然后断定结果，再做进一步匹配处理。

两个虽然字面不一样，意思却是同一个，都是做全局观望，再做进一步处理。

环视的作用相当于对其所在位置加了一个附加条件，只有满足这个条件，环视子表达式才能匹配成功。

环视主要有以下4个用法：
(?<=exp) 匹配前面是exp的数据
(?

5.5平衡组

1. (?’group’) 把捕获的内容命名为group,并压入堆栈(Stack)
2. (?’-group’) 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败
   
   1. (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分
3. (?!) 零宽负向先行断言，由于没有后缀表达式，如没有(?!B)的B，试图匹配总是失败`

6正则的不足之处

1.正则表达式只适合匹配文本字面，不适合匹配文本意义：像匹配url，email这种纯文本的字符就很好，但比如匹配多少范围到多少范围的数字，如果你这个范围很复杂的话用正则就很麻烦。或者匹配html，这个是很多人经常遇到的，写一个复杂匹配html的正则很麻烦，不如使用针对特定意义的处理器来处理（比如写语法分析器，dom分析器等）

2.容易引起性能问题：像.*这种贪婪匹配符号很容易造成大量的回溯，性能有时候会有上百万倍的下降。

3.难于理解，难于记忆