正则表达式
正则表达式验证工具
https://regexr.com/v1/
基本字符
.匹配除了换行符外所有字符
\d匹配所有数字
能找到所有数字
\D除了数字之外的所有字符
\s匹配空格，换行，肉眼看到是空白的地方
\S除了空白之外的东西
大写都是小写的反面
\w数字，字母，下划线A--Z a--z 0--9之间的任意一个都会被匹配
\W除了刚才的东西
13分钟结束
指定多少个字符。
{}贪婪匹配
\d{2}同时找出2个连接的数字，如果是3，同时找3个链接在一起的
\d{2,5}2到5个数字
?匹配前一个0次或者1次
abc?表示字母c可以出现，也可以不出现
等价于abc{0,1}
*表示0次或者无限个
abc*表示ab或者abc，abccc，abccc等。要么不出现，要么匹配到结束
+至少出现一次
abc+不包含ab,包含abc, abcccc等无数c的情况
a(bc)+用括号表示组合，bc为一个整体，必须一起出现
[]括起来字符
[acd]找出段落中出现的acd，无论是否只有一个a，还是acd一起出现。
^匹配字符串开头
$匹配字符串末尾
^We$：匹配W开始，e结束的单词，中间只要是字符就行
\b匹配\w和\W之间
(at)|(ce)或者意思
^[a-f]+$
(...).*\1前面三个字符，后面也是相同的字符，中间字符无所谓
下面列举一些正则表达式里的元字符及其作用
元字符
说明
. 代表任意字符
| 逻辑或操作符
[ ] 匹配内部的任一字符或子表达式
[^] 对字符集和取非
- 定义一个区间
\ 对下一字符取非（通常是普通变特殊，特殊变普通）
* 匹配前面的字符或者子表达式0次或多次
*? 惰性匹配上一个
+ 匹配前一个字符或子表达式一次或多次
+? 惰性匹配上一个
? 匹配前一个字符或子表达式0次或1次重复
{n} 匹配前一个字符或子表达式
{m,n} 匹配前一个字符或子表达式至少m次至多n次
{n,} 匹配前一个字符或者子表达式至少n次
{n,}? 前一个的惰性匹配
^ 匹配字符串的开头
\A 匹配字符串开头
$ 匹配字符串结束
[\b] 退格字符
\c 匹配一个控制字符
\d 匹配任意数字
\D 匹配数字以外的字符
\t 匹配制表符
\w 匹配任意数字字母下划线
\W 不匹配数字字母下划线
**********2.验证工具******************
我们最喜爱的正则表达式在线验证工具之一是http://regexr.com/
谁用谁知道，用过一次以后欲罢不能。
3.挑战与提升
长期做自然语言处理的同学正则表达式都非常熟，曾经有半年写了大量的正则表达式，以至于同事间开玩笑说，只要是符合某种规律或者模式的串，肯定分分钟能匹配出来。
4.Python案例
re模块
Python通过re模块提供对正则表达式的支持。
使用re的一般步骤是
•1.将正则表达式的字符串形式编译为Pattern实例
•2.使用Pattern实例处理文本并获得匹配结果（一个Match实例）
•3.使用Match实例获得信息，进行其他的操作。
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, hanxiao! How are you?')
if match:
print (match.group() )# 使用Match获得分组信息
'''
hello, hanxiao!
[Finished in 0.5s]
'''
re.compile(strPattern[, flag]):
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。
当然，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)等价于re.compile('(?im)pattern')
flag可选值有：
•re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
•re.M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
•re.S(DOTALL): 点任意匹配模式，改变'.'的行为
•re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
•re.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
•re.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：
regex_1 = re.compile(r"""\d + # 数字部分
\. # 小数点部分
\d * # 小数的数字部分""", re.X)
regex_2 = re.compile(r"\d+\.\d*")
Match
Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。
match属性：
•string: 匹配时使用的文本。
•re: 匹配时使用的Pattern对象。
•pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
•endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
•lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
•lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。
方法：
•group([group1, …]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
•groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
•groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
•start([group]):
返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
•end([group]):
返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
•span([group]):
返回(start(group), end(group))。
•expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。
Pattern
Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造。
Pattern提供了几个可读属性用于获取表达式的相关信息：
•pattern: 编译时用的表达式字符串。
•flags: 编译时用的匹配模式。数字形式。
•groups: 表达式中分组的数量。
•groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
import re
p = re.compile(r'(\w+) (\w+)(?P.*)', re.DOTALL)
print ("p.pattern:", p.pattern)
print ("p.flags:", p.flags)
print ("p.groups:", p.groups)
print ("p.groupindex:", p.groupindex)
'''
p.pattern: (\w+) (\w+)(?P.*)
p.flags: 48
p.groups: 3
p.groupindex: {'sign': 3}
[Finished in 1.4s]
'''
使用pattern
•match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从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
◾如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
◾pos和endpos的默认值分别为0和len(string)。
注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。
•search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法从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))
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): ◾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。
import re
p = re.compile(r'\d+')
print p.split('one1two2three3four4')
['one', 'two', 'three', 'four', '']
•findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): ◾搜索string，以列表形式返回全部能匹配的子串。
import re
p = re.compile(r'\d+')
print p.findall('one1two2three3four4')
['1', '2', '3', '4']
import re
p = re.compile(r'\d+')
for m in p.finditer('one1two2three3four4'):
print m.group()
1
2
3
4
•sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): ◾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。
import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello hanxiaoyang!'
print p.sub(r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print p.sub(func, s)
say i, hanxiaoyang hello!
I Say, Hello Hanxiaoyang!
•subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): ◾返回 (sub(repl, string[, count]), 替换次数)。
import re
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello hanxiaoyang!'
print p.subn(r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print p.subn(func, s)
('say i, hanxiaoyang hello!', 2)
('I Say, Hello Hanxiaoyang!', 2)
