Python 正则表达式
正则表达式（RegularExpression, re）
是一个计算机科学的概念
用于使用单个字符串来描述，匹配符合某个规则的字符串
常常用来检索，替换某些模式的文本
正则的写法
.(点号): 表示任意一个字符，除了\n，比如查找所有的一个字符 .
[]: 匹配中括号中列举的任意字符，比如[L,Y,0], LLY, Y0, LIU
\d: 任意一个数字
\D: 除了数字都可以
\s: 表示空格，tab键
\S: 除了空白符号
\w: 单词字符，就是a-z, A-Z, 0-9, _
\W: 除了“\w”表示的都可以
: 表示前面内容重复零次或者多次, \w +: 表示前面内容至少出现一次
?: 前面才出现的内容零次或者一次
{m,n}: 允许前面内容出现最少m次，最多n次
^: 匹配字符串的开始
$: 匹配字符串的结尾
\b: 匹配单词的边界
(): 对正则表达式内容进行分组，从第一个括号开始，编号逐渐增大
\A: 只匹配字符串开头，\Aabcd, 则abcd
\Z: 只匹配字符串末尾，abcd\Z, abcd
|: 左右任意一个
(?P
...): 分组，除了原来的编号再制定一个别名，(?P 12345){2}, 1234512345 (?P=name): 引用分组
RE使用大致步骤
RE常用函数
group(): 获得一个或者多个分组匹配的字符串，当要获得整个匹配的子串时，直接使用group或者group(0)
start: 获取分组匹配的子串在整个字符串中的起始位置，参数默认0
end: 获取分组匹配的子串在整个字符串中的结束位置，默认为0
span: 返回的结构技术(start(group), end(group))
# 导入相关包
import re
# 查找数字
# r表示字符串不转义
p = re.compile(r'\d+')
# 在字符串“one12twothree33456four78”中进行查找，按照规则p制定的正则进行查找
# 返回结果是None表示没有找到，否则会返回match对象
m = p.match("one12twothree33456four78")
print(m)
None
# 导入相关包
import re
# 查找数字
# r表示字符串不转义
p = re.compile(r'\d+')
# 在字符串“one12twothree33456four78”中进行查找，按照规则p制定的正则进行查找
# 返回结果是None表示没有找到，否则会返回match对象
# 参数3,6表示在字符串中查找的范围
m = p.match("one12twothree33456four78", 3, 26)
print(m)
# 上述代码说明的问题
# 1. match可以输入参数表示起始位置
# 2. 查找到的结果只包含一个，表示第一次进行匹配成功的内容
<_sre.SRE_Match object; span=(3, 5), match='12'>
print(m[0])
print(m.start(0))
print(m.end(0))
12
3
5
import re
# I 表示忽略掉大小写
p = re.compile(r'([a-z]+) ([a-z]+)', re.I)
m = p.match("I am really love you")
print(m)
<_sre.SRE_Match object; span=(0, 4), match='I am'>
print(m.group(0))
print(m.start(0))
print(m.end(0))
I am
0
4
print(m.group(1))
print(m.start(1))
print(m.end(1))
I
0
1
print(m.group(2))
print(m.start(2))
print(m.end(2))
am
2
4
print(m.groups())
('I', 'am')
查找
search(str, [, pos[, endpos]]): 在字符串中查找匹配，pos和endpos表示起始位置
findall: 查找所有
finditer：查找，返回一个iter结果
import re
p = re.compile(r'\d+')
m = p.search("one12two34three567four")
print(m.group())
12
rst = p.findall("one12two34three567four")
print(type(rst))
print(rst)
['12', '34', '567']
sub 替换
sub(rep1, str[, count])
# sub替换案例
import re
# \w 包含数字和英文字母
p = re.compile(r'(\w+) (\w+)')
s = "hello 123 wang 456, i love you"
rst = p.sub(r'Hello world', s)
print(rst)
Hello world Hello world, Hello world you
匹配中文
大部分中文表示范围是[u4e00-u9fa5], 不包括全角标点
import re
title = '世界 你好， hello moto'
p = re.compile(r'[\u4e00-\u9fa5]+')
rst = p.findall(title)
print(rst)
['世界', '你好']
贪婪和非贪婪
贪婪：尽可能多的匹配, (*)表示贪婪匹配
非贪婪：找到符合条件的最小内容即可，(?)表示非贪婪
正则默认使用贪婪匹配
import re
title = u'nameage'
p1 = re.compile(r'.*')
p2 = re.compile(r'.*?')
m1 = p1.search(title)
print(m1.group())
m2 = p2.search(title)
print(m2.group())
nameage
name