python正则表达式笔记2
由 '\' 和一个字符组成的特殊序列在以下列出。
如果普通字符不是ASCII数位或者ASCII字母，那么正则样式将匹配第二个字符。比如，\$ 匹配字符 '$'.
\number
匹配数字代表的组合。每个括号是一个组合，组合从1开始编号。
比如 (.+) \1 匹配 'the the' 或者 '55 55', 但不会匹配 'thethe' (注意组合后面的空格)。
这个特殊序列只能用于匹配前面99个组合。
如果 number 的第一个数位是0， 或者 number 是三个八进制数，它将不会被看作是一个组合，而是八进制的数字值。
在 '[' 和 ']' 字符集合内，任何数字转义都被看作是字符。
print('============================')
# 保留中间空格，左右重复字符串，其他数据排除
str_list1 = ['python python', 'python java', 'helloworld', '2023 2023', '20221212']
get_list1 = []
for ss in str_list1:
# 查找匹配的字符, 注意组合后面的空格, \1 代表重复前面括号组合规则(.+)
if re.search(r"(.+) \1", ss):
print('保留')
get_list1.append(ss)
else:
print('去除')
continue
print(get_list1)
# ['python python', '2023 2023']
print('============================')\A
只匹配字符串开始。
\Z
只匹配字符串结尾。
print('============================')
# 保留数字或小数的金额格式数据，其他数据排除
str_list2 = ['5005', '200.85', '¥12450', '¥100.50', '张三', '2023.08.09']
get_list2 = []
for ss in str_list2:
# 查找匹配的字符，下面方法等价匹配
if re.search(r'\A\d+\.?\d*\Z', ss):
# if re.search(r'(\A\d+\.?\d*\Z)', ss):
# if re.search(r'(^\d+\.?\d*$)', ss):
# if re.search(r'^\d+\.?\d*$', ss):
# if re.fullmatch(r'\d+\.?\d*', ss):
print('保留')
get_list2.append(ss)
else:
print('去除')
continue
print(get_list2)
# ['5005', '200.85', '¥12450', '¥100.50']
print('============================')\b
匹配空字符串，但只在单词开始或结尾的位置。一个单词被定义为一个单词字符的序列。
注意，通常 \b 定义为 \w 和 \W 字符之间，或者 \w 和字符串开始/结尾的边界，
意思就是 r'\bfoo\b' 匹配 'foo', 'foo.', '(foo)', 'bar foo baz' 但不匹配 'foobar' 或者 'foo3'。
默认情况下，Unicode字母和数字是在Unicode样式中使用的，但是可以用 ASCII 标记来更改。
如果 LOCALE 标记被设置的话，词的边界是由当前语言区域设置决定的，\b 表示退格字符，以便与Python字符串文本兼容。
print('============================')
str_list3 = ['foo', 'foo.', '(foo)', 'bar foo baz', 'foobar', 'foo3']
for ss in str_list3:
# 查找匹配的字符
print(re.search(r'\bfoo\b', ss))
print('============================')
'''
None
None
'''
\B
匹配空字符串，但不能在词的开头或者结尾。
意思就是 r'py\B' 匹配 'python', 'py3', 'py2', 但不匹配 'py', 'py.', 或者 'py!'.
\B 是 \b 的取非，所以Unicode样式的词语是由Unicode字母，数字或下划线构成的，
虽然可以用 ASCII 标志来改变。如果使用了 LOCALE 标志，则词的边界由当前语言区域设置。
print('============================')
str_list3 = ['python', 'py3', 'py2', 'py', 'py.', 'py!']
for ss in str_list3:
# 查找匹配的字符
print(re.search(r'py\B', ss))
print('============================')
'''
None
None
None
''' \d
1, 对于 Unicode (str) 样式：
匹配任何Unicode十进制数（就是在Unicode字符目录[Nd]里的字符）。
这包括了 [0-9] ，和很多其他的数字字符。如果设置了 ASCII 标志，就只匹配 [0-9] 。
2, 对于8位(bytes)样式：
匹配任何十进制数，就是 [0-9]。
\D
匹配任何非十进制数字的字符。
就是 \d 取非。 如果设置了 ASCII 标志，就相当于 [^0-9] 。
print('============================')
string = '(python)-12345'
# 提取全部数字字符
nums_str = ''.join(re.findall(r'\d', string))
print(nums_str)
# 12345
# 提取全部非数字字符
char_str = ''.join(re.findall(r'\D', string))
print(char_str)
# (python)-
print('============================')\s
1, 对于 Unicode (str) 样式：
匹配任何Unicode空白字符（包括 [ \t\n\r\f\v] ，还有很多其他字符，比如不同语言排版规则约定的不换行空格）。
如果 ASCII 被设置，就只匹配 [ \t\n\r\f\v] 。
2, 对于8位(bytes)样式：
匹配ASCII中的空白字符，就是 [ \t\n\r\f\v] 。
\S
匹配任何非空白字符。
就是 \s 取非。如果设置了 ASCII 标志，就相当于 [^ \t\n\r\f\v] 。
\w
1, 对于 Unicode (str) 样式：
匹配 Unicode 单词类字符；这包括字母数字字符 (如 str.isalnum() 所定义的) 以及下划线 (_)。
如果使用了 ASCII 旗标，则将只匹配 [a-zA-Z0-9_]。
2, 对于8位(bytes)样式：
匹配ASCII字符中的数字和字母和下划线，就是 [a-zA-Z0-9_] 。
如果设置了 LOCALE 标记，就匹配当前语言区域的数字和字母和下划线。
\W
匹配非单词字符的字符。
这与 \w 正相反。如果使用了 ASCII 旗标，这就等价于 [^a-zA-Z0-9_]。
如果使用了 LOCALE 旗标，则会匹配当前区域中既非字母数字也非下划线的字符。
'''
r'''
绝大部分Python的标准转义字符也被正则表达式分析器支持。:
\a \b \f \n
\N \r \t \u
\U \v \x \\
'''
print('============================')
string = '(python)-12345\t \n \r|张三'
# 提取全部空白字符
blank_str = re.findall(r'\s', string)
print(blank_str)
# ['\t', ' ', '\n', ' ', '\r']
# 提取全部非空白字符
no_blank_str = ''.join(re.findall(r'\S', string))
print(no_blank_str)
# (python)-12345|张三
# 匹配 Unicode 单词类字符
un_str = ''.join(re.findall(r'\w', string))
print(un_str)
# python12345张三
# 匹配非单词字符的字符
no_un_str = re.findall(r'\W', string)
print(no_un_str)
# ['(', ')', '-', '\t', ' ', '\n', ' ', '\r', '|']
print('============================')正则表达式实战笔记
print('=============正则表达式实战笔记===============')
string1 = 'home/workspace/python/test.py'
# 去除最后/后面文件名，只保留路径，以下几个方法等价匹配
# print(re.sub(r'test.py', '', string1))
# print(re.sub(r'([a-z]{4}.py$)', '', string1))
print(re.sub(r'(\b[a-z]{4}.py\b)', '', string1))
# 只保留文件名
print(''.join(re.findall(r'(\b[a-z]{4}.py\b)',string1)))
url_str = 'https://www.abcxyz.com/861091450/28240726.html'
# 去除最后/后面数字+.html，保留前面的url地址
print(re.sub(r'(\d+\.html\b)', '', url_str))
string2 = "5,000.00伍仟元整"
# 提取数字金额
amount = re.findall(r'\d+\.?\d*', string2)
amount = ''.join(amount)
print("数字金额:", amount)
# 提取中文
ch_amount = re.findall(r'[\u4e00-\u9fa5]', string2)
ch_amount = ''.join(ch_amount)
print("中文金额:", ch_amount)
# 下面列表元素有1-2个字错误，现在全部替换成统一数据
str_list3 = ['铜鼓县', '刚鼓县', '钢鼓县', '同古县', '铜古县', '铜故县']
for i in range(len(str_list3)):
# 匹配替换的字符
str_list3[i] = re.sub(r"(.鼓县)|(同古县)|(铜.县)", "铜鼓县", str_list3[i])
print(str_list3)
# ['铜鼓县', '铜鼓县', '铜鼓县', '铜鼓县', '铜鼓县', '铜鼓县']
print('============================')
work_date = '610012 星期二 : 2023-06-12 14:23:30 1.0212'
# 只取日期数据 : 2023-06-12
work_date = re.findall(r'\d{4}-\d{1,2}-\d{1,2}',work_date)[0]
print(work_date)
str_url = 'https://www.abcxyz.com/60abc12.html'
# 提取url中间的代码数据 : 60abc12
str_code = re.findall(r'https://www.abcxyz.com/(.*?).html', str_url)[0]
print(str_code)