正则表达式

正则表达式

处理字符串的利器

• 选用：
  1. 想查看原字符串是否匹配 ->match，fullmatch,search
  2. 想从大字符串中提取指定的子字符串 ——> findall,finditer
     1. 格式：函数（正则表达式，字符串）
     2. 核心：正则表达式整体就是一个具有某一特定规则的字符串，主要是要将想要拿的数据的特定规则写出来
  3. 切割和替换：split,sub

一、匹配

匹配核心规则：判断后面的字符，是否符合正则表达式描述的规则，符合返回：匹配的字符，不符合返回：None

1. 正则表达式语法

1. 匹配类符号

以下都是针对一个字符的格式判断

1. 普通符号： – 在正则表达式中表示本身的符号
   • str1 = ‘abc’
   • result = fullmatch(r’abc’,str1)
   • 除了特殊符号，就是普通字符
2. . : – 表示匹配任意一个字符
   • result = fullmatch(r’a.c’,str1)
   • 任意字符，注重要求长度或占位情况
3. \d : – 匹配任意一个数字字符
   • result = fullmatch(r’a\dc’,‘123’)
4. \s : – 匹配任意一个空白字符：例如：空格、换行、水平制表符
5. \D : – 匹配任意一个非数字字符
6. \S : – 匹配任意一个非空白字符
7. \w : – 匹配字母数字下划线，等价于[a-zA-Z0-9_]
8. \W : – 匹配非数字字母下划线的字符
9. [字符集]： – 匹配字符集中的任意一个字符（最常用）
   • 规范：可以连在一起写，合并为一个区间,判断该一个字符在不在这个区间
   1. 写多个其中一个，eg：[abc],字符集中不用写引号
   2. 有特殊字符，eg：[abc\d],匹配任意一个数字或者a/b/c
   3. 区间,小的放前面，大小按照编码值来确定eg:[1-9],[3-9],[a-z],[A-Z],[\u4e00-\u9fa5]，[1-9abcA-Z],[1-9a-zA-Z]
      • 如果减号两边没有字符，那就是普通字符‘-’
      • '-'号只有在[]里的，且在两个字符中间的时候，有特殊功能表示区间
10. [^字符集]： – 不在字符集中的任意一个字符
    • result = fullmatch(r’a[^\u4e00-\u9fa5]b’,‘asb’)

2. 匹配次数符号：

统一格式为：匹配符号匹配次数符号.跟在谁后面，就是控制谁

1. • ：0次或多次，任意次数。eg:result = fullmatch(r’a*bc’,‘aaaaabc’)
2. • ：1次或者多次，至少一次。
3. ？ ：1次或0次。
4. {} : – 最常用
   1. {M,N} - M到N次
   2. {M,} - 至少M次
   3. {,N} - 最多N次
   4. {N} - 就是N次

3. 贪婪和非贪婪 - 当匹配次数不确定时（*、+、？、{M,N},{M,}、{,N}）,匹配模式分为贪婪模式和非贪婪模式两种，默认是贪婪的。

1. 贪婪：如果匹配成功的时候，有多种匹配结果，贪婪取最多次数对应的匹配结果
   • *、+、？、{M,N},{M,}、{,N}
2. 非贪婪：如果匹配成功的时候，有多种匹配结果，贪婪取最多次数对应的匹配结果
   • 正常匹配次数后面加一个‘？’
   • *？、+？、？？、{M,N}?、{M,}?、{,N}?
3. 注意：
   1. 要求：必须有多种匹配返回的结果
   2. 举例：fullmatch只有一个结果（原字符串/空），无贪婪情况。match是从原字符串中截取开头，返回开头字符串，可能会有多种开头字符的情况

4.分组和分支

1. 分组 - （）、捕获是针对于（）来说的

   • 分组功能：
     1. 表达式重复：将正则中的一部分看成一个整体，进行相关操作。
        • ‘12MN23MN34KJ…’
        • result = fullmatch(r’(\d\d[A-Z]{2})+',str1)
        • 对一个括号整体结构，进行匹配次数操作
     2. 要求某块字符和之前的部分字符的一样：可以在正则表达式中通过\N（\任意正整数）来重复它前面第N个分组的匹配结果(从左边开始数)
        • str2 = ‘23MKJ==MKJ23’
        • result = fullmatch(r’(\d{2})([A-Z]{3})==\2\1’,str2)
        • 只能重复在它之前的分组，不能重复之后的
     3. 捕获： 只获取正则表达式中的分组匹配到的结果
        1. 手动捕获：（）里输入组数
        2. 自动捕获： 当findall正则表达式中加入（），先匹配出结果，然后返回匹配结果（）中的内容

2. 分支 - ｜

   1. 语法：正则1｜正则2｜正则3｜…
   2. 功能： 匹配可以和多个正则中任意一个正则匹配的字符串
   3. 理解：
      1. |分开的是两个正则
      2. （）中加｜，是对组内分支。所以如果只想要一部分变化，那就用（部分正则1｜部分正则2）
   4. 举例：result=fullmatch(r’\d{3}|[a-z]{2}',‘mk’) -->

5.转义字符

1. 正则表达式中有许多有特殊含义的字符，当需要让其表示本身时，前面加一个\进行转义即可
2. 正则表达式前面的r是为了让正则规则生效，不是原始字符串
3. 单独存在，有特殊意义的符号，在[]中特殊意义会自动失效

6. 检测类符号 – 在匹配成功的情况下，检测检测符号所在的位置是否符合要求

1. \b:检测是否是单词边界
   • 单词边界：可以将两个单词分开的符号都是单词边界，比如：空白符号、英文标点符号、字符串开头、字符串结尾
   • 不影响原正则，只是在其上对成功返回的匹配结果，进行进一步筛选。\b
2. \B:
3. ^ :检测是否是字符串开头
   • 预防贪婪，只取前面多少个
   • findall(r’^.{10}')
4. $ :检测是否以字符串结尾
   • 预防贪婪，只取前面多少个
   • findall(r’.{5}$')

2. 功能函数

• python中的re模块： - python用来支持正则表达式的模块，包含了所有和正则相关的函数方法
• from re import * (想用哪个自己加)

  1. fullmatch(正则表达式，字符串) – 完全匹配；全部字符，挨个对照格式，返回是否匹配

     • 功能： 判断正则表达式和指定的一个字符串是否完全匹配
     • 返回值:匹配成功，返回匹配对象，匹配失败，为None

  2. match(正则表达式,字符串)

     • 功能：判断字符串开头，的若干个字符是否符合正则表达式描述的规则。
     • 返回值：匹配成功，返回匹配对象（开头子串），匹配失败，为None

  3. search(正则表达式,字符串)

     • 功能：获取字符串中第一个满足正则的子串
     • 返回值：找的到，返回该子串；找不到返回None

  4. findall(正则表达式,字符串)

     • 功能：返回列表，所有满足正则的子串，加进列表里
     • 返回值：成功，返回一个列表，列表中包含所有满足条件的子串，找不到返回空列表
     • 特殊：会有自动捕获：一旦正则中出现（），就只输出（）中的内容

  5. finditer(正则表达式,字符串)

     • 功能：同findall
     • 返回值：成功，返回一个迭代器，迭代器中包含所有符合条件的子串，找不到

  6. split(正则表达式,字符串)

     • 功能：将字符串中所有满足条件的子串作为切割点
     • 返回值：成功返回切割后的列表，失败，就是列表中只有一个元素
     • 举例：
       • str1 = ‘cdscsuibcacdscsdcc’
       • result = split(r’a|d’,str1)

  7. sub(正则表达式，字符串1，字符串2)

     • 功能：将字符串2中所有满足正则的子串都替换成字符串1

3.匹配对象

• 拿到匹配对象后能干什么：
  1. 获取整个正则表达式对应的匹配结果（match=）：result.group()
  2. 手动捕获某个分组对应的匹配结果：result.group(分组数)
  3. 获取匹配结果在原字符串中的位置：result.span（分组数） 分组数可以不写，不写是大的 ，有分组，就发生捕获。都会返回一个元组，（开始下标，结束下标）

4. 参数

1. 正则匹配忽略大小写
   • 写法“fullmatch(r’(?i)abc’,aBc) 引号里开头写入（？i）
2. 单行匹配 ：
   • 多行匹配：匹配时，.不能和换行（\n）进行匹配,需要先将其转化为单行匹配
   • 方法：引号里的开头加上（？s）

from re import match
var = 'abcd'
result = match(r'ab',var)
print(result)

from re import match
str2 = '23MKJ==MKJ23'
result = fullmatch(r'(\d{2})([A-Z]{3})==\2\1',str2)
print(result)