python学习第七节：正则表达式

python学习第七节：正则表达式

正则表达式基本上在所有开发语言中都会使用到，在python中尤为重要。当我们使用python开发爬虫程序将目标网页扒下来之后我们要从网页中解析出我们想要的信息，这个时候就需要正则表达式去进行匹配。

import re

re的常量

re模块中有9个常量，常量的值都是int类型！（知道就行）

修饰符	描述
re.l	使匹配对大小写不敏感
re.L	做本地化识别(locale-aware)匹配
re.M	多行匹配，影响^和$
re.S	使.匹配包括换行在内的所有字符
re.U	根据Unicode字符集解析字符。这个标志影响 \w,\W, \b,\B.
re.X	该标志通过给予你更灵活的格式以便你将正则表达式写得更易于理解。

使用方法：

import re
pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)   #使匹配对大小写不敏感
pattern = re.compile(r'([a-z]+) ([a-z]+)', re.S)   #匹配包括换行符在内的任意字符

下面这这张图是我从网上扒的，不是很清楚，看看就行

re的函数

这个才是重点！

1.查找一个匹配项

re.search()函数

扫描整个字符串并返回第一个成功的匹配

import re
print(re.search('www', 'www.runoob.com'))# 在起始位置匹配，返回：<re.Match object; span=(0, 3), match='www'>
# span用于返回字符串中指定字符的起始位置和结束位置
print(re.search('com', 'www.runoob.com').span())#返回：(11, 14)

# 还可以提前设置匹配规则
pat=re.compile("AA") #此出的AA，是正则表达式，用来去验证其他的字符串
print(pat.search("CBA")) #返回None
print(pat.search("AABBCC")) #返回 <re.Match object; span=(0, 2), match='AA'>

# 注意，如果未匹配到，会返回 None

re.match(pattern, string, flags=0) 函数

re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match() 就返回 None。换句话说就是匹配字符串是不是以指定字符开头的，如果不是就返回None

import re
print(re.match('www', 'www.runoob.com').span())  # 返回：(0, 3)
print(re.match('com', 'www.runoob.com'))         # 返回None

re.match 与 re.search的区别：

re.match 只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回 None，而 re.search 匹配整个字符串，直到找到第一个匹配。

re.fullmatch(pattern, string, flags=0) 函数

这个函数就表示必须完全匹配整个字符串，不能匹配部分字符串；换句话说就是两个字符串要完全一样才可以，否则会返回None

import re
print(re.fullmatch('www.runoob.com', 'www.runoob.com')) # 必须完全匹配整个字符串
print(re.fullmatch('com', 'www.runoob.com')) # 返回：None

2.查找多个匹配项

re.findall(pattern, string, flags=0) 函数

在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果有多个匹配模式，则返回元组列表，如果没有找到匹配的，则返回空列表。

import re
result1 = re.findall(r'\d+','runoob 123 google 456')
print(result1 ) #返回：['123', '456']
pattern = re.compile(r'\d+')   # 查找数字
result2 = pattern.findall('runoob 123 google 456')
result3 = pattern.findall('run88oob123google456', 0, 10)  #从字符串的0到10匹配
print(result2 ) #返回：['123', '456']
print(result3 ) #返回：['88', '12']

print(re.findall("a","ASDaDFGAa")) #返回： ['a', 'a']
print(re.findall("[A-Z]","ASDaDFGAa")) #返回： ['A', 'S', 'D', 'D', 'F', 'G', 'A']
print(re.findall("[A-Z+]","ASDaDFGAa")) #返回： ['A', 'S', 'D', 'D', 'F', 'G', 'A']

re.finditer(pattern, string, flags=0) 函数

和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。

import re
it = re.finditer(r"\d+","12a32bc43jf3") 
for match in it: 
    print (match.group() )

3.分割

re.split(pattern, string, maxsplit=0, flags=0) 函数：用 pattern 分开 string ， maxsplit表示最多进行分割次数， flags表示模式，就是上面我们讲解的常量！

re.split(pattern, string, maxsplit=0, flags=0) 函数

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

import re
print(re.split(r'\W+','runoob, runoob, runoob.')) #返回：['runoob', 'runoob', 'runoob', '']
print(re.split(r':','runoob:runoob:runoob.')) #返回：['runoob', 'runoob', 'runoob.']
print(re.split(r'(\W+)',' runoob, runoob, runoob.')) #返回：['', ' ', 'runoob', ', ', 'runoob', ', ', 'runoob', '.', '']
print(re.split(r'\W+',' runoob, runoob, runoob.', 1)) #返回：['', 'runoob, runoob, runoob.']
print(re.split(r'a*','hello world')) #返回：['', 'h', 'e', 'l', 'l', 'o', ' ', 'w', 'o', 'r', 'l', 'd', '']
# 对于一个找不到匹配的字符串而言，split 不会对其作出分割

4.替换

re.sub(pattern, repl, string, count=0, flags=0) 函数

re.sub(pattern, repl, string, count=0, flags=0) 函数参数讲解：repl替换掉string中被pattern匹配的字符， count表示最大替换次数，flags表示正则表达式的常量。

pattern : 正则中的模式字符串。

repl : 替换的字符串，也可为一个函数。

string : 要被查找替换的原始字符串。

count : 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。

flags : 编译时用的匹配模式，数字形式。

import re
print(re.sub('[a]','x','abcdef'))   # 第1个参数:正则表达式;第2个参数:替代值;第3个参数:被替代字符串
phone = "2004-959-559 # 这是一个电话号码"
# 删除注释
num = re.sub(r'#.*$', "", phone)
print ("电话号码 : ", num)
# 移除非数字的内容
num = re.sub(r'\D', "", phone)
print ("电话号码 : ", num)

值得注意的是：sub函数中的入参：repl替换内容既可以是字符串，也可以是一个函数哦！ 如果repl为函数时，只能有一个入参：Match匹配对象。

re.subn(pattern, repl, string, count=0, flags=0) 函数

re.subn(pattern, repl, string, count=0, flags=0) 函数与 re.sub函数 功能一致，只不过返回一个元组 (字符串, 替换次数)。

print(re.sub('[ae]','x','abcdef'))   # 第1个参数:正则表达式;第2个参数:替代值;第3个参数:被替代字符串
返回：('xbcdxf', 2)  #替换了2次

5.编译正则对象

re.compile(pattern, flags=0) 函数

compile函数 与 template函数 将正则表达式的样式编译为一个 正则表达式对象 （正则对象Pattern），这个对象与re模块有同样的正则函数（后面我们会讲解Pattern正则对象）。

import re
pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)   # re.I 表示忽略大小写
m = pattern.match('Hello World Wide Web')
print(m)       # 匹配成功，返回一个 Match 对象

正则表达式模式

操作符	说明	示例
.	表示任何单个字符（换行符除外）
[ ]	字符集，对单个字符给出取值范围	[abc]表示a、b、c,[a-z]表示a到z单个字符
[^ ]	非字符集，对单个字符给出排除范围	^abc]表示非a或b或c的单个字符
*	前一个字符0次或无限次扩展	abc* 表示 ab、abc、abcc、abccc等
+	前一个字符1次或无限次扩展	abc+表示 abc、abcc、abccc等
?	前一个字符0次或1次扩展	abc?表示 ab、abc
{m}	扩展前一个字符m次	ab{2}c表示abbc
{m,}	扩展前一个字符m次以上	ab{2}c表示abbc abbbc abbbbc ...
{m,n}	扩展前一个字符m至n次(含n)	ab{1,2}c表示abc、abbc
^	匹配字符串开头	^abc表示abc且在一个字符串的开头
$	匹配字符串结尾	abc$表示abc且在一个字符串的结尾
( )	分组标记，内部只能使用 操作符	(abc)表示abc,(abc竖线def)表示abc、def
<.+>	默认贪婪匹配任意字符
<.+?>	懒惰匹配任意字符
\d	数字，等价于[0-9]
\w	单词字符，等价于[A-Za-z0-9_]
\W	匹配所有非字母数字，即符号，够同于 [^\w]
\D	匹配非数字:[^\d]
\ s	匹配所有空格字符（包括换行符和tab），等同于:[\t\n\f\r\p{Z}]
\S	匹配所有非空格字符:[^\s]
\f	匹配一个换页符
\n	匹配一个换行符
\r	匹配一个回车符
\t	匹配一个制表符
\v	匹配一个垂直制表符
\p	匹配 CR/LF(等同于\r\n)，用来匹配 DOS 行终止符

还有一个符号，因为上面表格打不出来所以下面单独做说明：

操作符：| 说明：左右表达式任意一个 示例：abc|def 表示 abc、def ；(a|b)表示匹配a或者b；(ab)|(cd)表示匹配ab或者cd

^ 匹配字符串的开头

$ 匹配字符串的末尾。

. 匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。

[...] 用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k'

[^...] 不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。

re* 匹配0个或多个的表达式。

re+ 匹配1个或多个的表达式。

re? 匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式

re{ n} 匹配n个前面表达式。例如，"o{2}"不能匹配"Bob"中的"o"，但是能匹配"food"中的两个o。

re{ n,} 精确匹配n个前面表达式。例如，"o{2,}"不能匹配"Bob"中的"o"，但能匹配"foooood"中的所有o。"o{1,}"等价于"o+"。"o{0,}"则等价于"o*"。

re{ n, m} 匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式

a| b 匹配a或b

(re) 匹配括号内的表达式，也表示一个组

(?imx) 正则表达式包含三种可选标志：i, m, 或 x 。只影响括号中的区域。

(?-imx) 正则表达式关闭 i, m, 或 x 可选标志。只影响括号中的区域。

(?: re) 类似 (...), 但是不表示一个组

(?imx: re) 在括号中使用i, m, 或 x 可选标志

(?-imx: re) 在括号中不使用i, m, 或 x 可选标志

(?#...) 注释.

(?= re) 前向肯定界定符。如果所含正则表达式，以 ... 表示，在当前位置成功匹配时成功，否则失败。但一旦所含表达式已经尝试，匹配引擎根本没有提高；模式的剩余部分还要尝试界定符的右边。

(?! re) 前向否定界定符。与肯定界定符相反；当所含表达式不能在字符串当前位置匹配时成功。

(?> re) 匹配的独立模式，省去回溯。

\w 匹配数字字母下划线

\W 匹配非数字字母下划线

\s 匹配任意空白字符，等价于 [\t\n\r\f]。

\S 匹配任意非空字符

\d 匹配任意数字，等价于 [0-9]。

\D 匹配任意非数字

\A 匹配字符串开始

\Z 匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。

\z 匹配字符串结束

\G 匹配最后匹配完成的位置。

\b 匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。

\B 匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。

\n, \t, 等。 匹配一个换行符。匹配一个制表符, 等

\1...\9 匹配第n个分组的内容。

\10 匹配第n个分组的内容，如果它经匹配。否则指的是八进制字符码的表达式。