python之正则表达式解析

1、正则表达式的组成

正则表达式可以从非结构化的文本中提取到我们想要的内容，其本质为模式匹配，也是体现出智能化的最初手段，现在已经广泛应用于自动化处理信息的流程之中，从爬虫到人工智能，无处不在，其需求也是相当的大。通俗的来讲，正则表达式就像是一个筛子，筛选出你所需要的信息。比如：在爬取网页时，筛选出我们所需要的信息。

2、使用正则表达式的步骤

导入包：import re
根据需求指定正则表达式
编译自定义的表达式
根据其表达式进行匹配
输出结果

3、编写正则表达式常用的几个函数

re.match(pattern, string, flags=0)
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。
re.search(pattern, string, flags=0)
扫描整个字符串并返回第一个成功的匹配，只要有一个匹配成功，就停止匹配。
re.findall(string[, pos[, endpos]])
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，如果没有找到匹配的，则返回空列表。
string 待匹配的字符串。
pos 可选参数，指定字符串的起始位置，默认为 0。
endpos 可选参数，指定字符串的结束位置，默认为字符串的长度。
re.finditer(pattern, string, flags=0) 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。
re.split(pattern, string[, maxsplit=0, flags=0]) split
方法按照能够匹配的子串将字符串分割后返回列表。
re.compile(pattern[, flags]) compile
函数用于编译正则表达式，生成一个正则表达式（ Pattern）对象，供 match() 和 search() 这两个函数使用。
re.sub(pattern, repl, string, count=0, flags=0) Python
的re模块提供了re.sub用于替换字符串中的匹配项。

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。
#前三个为必选参数，后两个为可选参数。#

注意： 1、match 和 search 是匹配一次，findall 匹配所有。
2、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，直到找到一个匹配。

4、特殊符号的使用

由于正则表达式通常都包含反斜杠，所以你最好使用原始字符串来表示它们。模式元素(如 r’\t’，等价于 \t )匹配相应的特殊字符。

#常用元字符#

^	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：[abc] 匹配 ‘a’，‘b’或’c’
[^…]	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

5、各种括号的使用

() 是为了提取匹配的字符串。表达式中有几个()就有几个相应的匹配字符串。 (\s*)表示连续空格的字符串。
[]是定义匹配的字符范围。比如 [a-zA-Z0-9] 表示相应位置的字符要匹配英文字符和数字。[\s*]表示空格或者*号。
{}一般用来表示匹配的长度，比如 \s{3} 表示匹配三个空格，\s{1,3}表示匹配一到三个空格。

(0-9) 匹配 '0-9′ 本身。 [0-9]* 匹配数字（注意后面有 *，可以为空）[0-9]+ 匹配数字（注意后面有 +，不可以为空）{1-9} 写法错误。

[0-9]{0,9} 表示长度为 0 到 9 的数字字符串。

6、补充

贪婪与非贪婪

python里面的量词默认是贪婪的（在少数语言里也可能默认是非贪婪的），总是尝试匹配更可能多的字符，非贪婪则相反总是匹配尽可能少的字符。
在“*” “+” “?” “{m,n}”后面加上？，是贪婪变成非贪婪

起名方式：

起名方式：(?P<名字>正则) （？P=名字）

例1：

msg = '<html><h1>abc</h1></html>'
result = re.match(r'<(?P<name1>\w+)><(?P<name2>\w+)>(.+)</(?P=name2)></(?P=name1)>', msg)
print(result)
print(result.group())

运行结果：
在这里插入图片描述
实例1：

import re

msg = '迪丽热巴古力娜佟丽娅扎洋洋'
parten = re.compile('佟丽娅')
result = parten.match(msg)
print(result)

# 使用正则模块re模块的方法：match
s = '迪丽热巴古力娜佟丽娅扎洋洋'
result = re.match('佟丽娅', s)  # match从头开始匹配
print(result)

result = re.search('佟丽娅', s)
print(result)

print(result.span())  # 返回位置

print(result.group())
print(result.groups())

msg1 = 'hdkahdja2d63d8773d6jkshkj广泛广泛ffjsfhjk3d29173128'
result = re.search('[a-z][0-9][0-9]', msg1)  # search只要有匹配的后面就不会进行检索，一有匹配的就停止
print(result)
print(result.group())
print(result.groups())

result = re.findall('[a-z][0-9][a-z]+', msg1)  # 匹配整个字符串
print(result)

qq = '1234567890'
result = re.match('[1-9][0-9]{4,10}$', qq)
print(result)
print((result.group()))

username = 'admin001'
result = re.search('^[a-zA-Z][0-9a-zA-Z]{5,}', username)
print(result)

运行结果：
在这里插入图片描述
实例2：

import re

# 起名方式：(?P<名字>正则)  （？P=名字）

msg = '<html><h1>abc</h1></html>'
result = re.match(r'<(?P<name1>\w+)><(?P<name2>\w+)>(.+)</(?P=name2)></(?P=name1)>', msg)
print(result)
print(result.group())

phone = '12345678901'
result = re.match(r'[1]\d{9}[0-35-689]$', phone)
print(result)

# 爬虫
phone1 = '010-12345678'
result1 = re.match(r'(\d{3,4})-(\d{8}$)', phone1)
print(result1)
# 分别提取
print(result1.group())
# （）表示分组  group(1) 表示提取到第一组内容
print(result1.group(1))
print(result1.group(2))

'''
re模块：
    match
    search
    findall
    sub(正则表达式，'新内容'，string)     替换
'''

result1 = re.sub(r'\d+', '90', 'java:99,python:100')
print(result1)

运行结果：
在这里插入图片描述