python正则表达式
python正则表达式
基础知识
模式（pattern），模式是正则表达式最重要的概念之一，模式可以理解为模版，设计好了模板之后可以利用此模板与未知字符串进行匹配，得到自己想要的结果。比如设计一个电话号码的模式(pattern)，就可以匹配一大串文字中的电话号码。
元字符
元字符通俗地理解就是：并不代表本身字符的含义，而是被赋予了特殊含义的字符。
例如
.，在模式里面被用来匹配任意一个字符，与其本身的’点’的含义相去甚远。又比如
?，在模式里面表示前面字符(组)出现的次数为0或1次。
换言之，被占用的无法表征本身含义的字符称之为元字符。元字符包含以下内容：
. ^ $ * + ? { } [ ] \ | ( )
元字符含义
| 字符 | 含义 | 举例 |
|---|---|---|
. |
任意字符 | |
^ |
匹配开头 | |
$ |
匹配结尾 | |
* |
匹配0次或多次 | |
+ |
匹配1次或多次 | |
? |
匹配0次或1次 | |
{} |
指定匹配重复次数 | {m,n}至少重复 m 次，至多重复 n 次。m 和 n 不是必填的，缺失的情况下会设定为默认值。缺失 m 会解释为最少重复 0 次 ，缺失 n 则解释为最多重复无限次。 |
[] |
匹配括号中的任意一个字符 | [abc]表示a或b或c中的任意一个。匹配正负号：[+-]?可以使用-连接多个字符，以简化书写， [a-z]、[a-zA-Z] |
\ |
转义 | |
() |
组 | 类似于改变优先级 |
元字符^和$在正则表达式中具有特殊的含义，它们可以用来匹配输入字符串的开头和结尾。
^：匹配输入字符串的开头。
例子1：^abc匹配任何以"abc"开头的字符串，例如"abcdef"、"abc123"等。
例子2：^a.b匹配任何以"a"后跟任何字符（除了换行符）再后跟"b"开头的字符串，例如"appleb"和"abab"，但不匹配"ab"或"banana"。
$：匹配输入字符串的结尾。
例子1：def$匹配任何以"def"结尾的字符串，例如"abcdef"、"123def"等。
例子2：a.b$匹配任何以"a"后跟任何字符（除了换行符）再后跟"b"结尾的字符串，例如"appleb"和"abab"，但不匹配"ab"或"banana"。
注意：在多行模式中，^和$的行为与它们在单行模式中的行为不同。
在多行模式中，^和$分别匹配每行的开头和结尾，而不是整个字符串的开头和结尾。
要启用多行模式，请使用re.MULTILINE标志。
如何解除元字符的特殊含义？
答案是使用反斜杠\
- 匹配
?，需要将模式写为\? - 匹配
.，需要将模式写为\. - 匹配
\，需要将模式写为\\
存在的问题，多个反斜杠给阅读带来了巨大的障碍，如果需要需要匹配的结果存在的多个斜杠，那么就需要双倍的斜杠用于取消其元字符含义。
例如需要匹配\\，模式写为\\\\。
解决方案，使用原始字符前缀r
使用 Python 的原始字符串表示法来表示正则表达式；反斜杠不以任何特殊的方式处理前缀为 'r' 的字符串字面，因此 r"\n" 是一个包含 '\' 和 'n' 的双字符字符串，而 "\n" 是一个包含换行符的单字符字符串。 正则表达式通常使用这种原始字符串表示法用 Python 代码编写。
使用原始字符前缀r简化后的模式：
- 匹配
?，需要将模式写为r\? - 匹配
.，需要将模式写为r\. - 匹配
\，需要将模式写为r\
一些固定搭配
| 符号 | 说明 | 示例 |
|---|---|---|
\d |
匹配数字，等价于[0-9] |
|
\w |
匹配任何字母数字下划线字符，等价于[a-zA-Z0-9_] |
|
\s |
匹配任何空白字符，等价于[ \t\n\r\f\v] |
使用re模块的匹配方法
| 方法 / 属性 | 目的 |
|---|---|
match(pattern, string, flags=0) |
确定正则是否从字符串的开头匹配。 |
search(pattern, string, flags=0) |
扫描字符串，查找此正则匹配的任何位置。 |
findall(pattern, string, flags=0) |
找到正则匹配的所有子字符串，并将它们作为列表返回。 |
finditer(pattern, string, flags=0) |
找到正则匹配的所有子字符串，并将它们返回为一个 iterator。 |
函数参数说明：
| 参数 | 描述 |
|---|---|
| pattern | 匹配的正则表达式 |
| string | 要匹配的字符串。 |
| flags | 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。 参见：[正则表达式修饰符 - 可选标志] |
输入参数flag:
flag参数是一个位掩码，可以使用以下标志之一或它们的组合：
re.IGNORECASE：忽略大小写。
re.MULTILINE：多行模式，使元字符的行为与多行文本匹配。
re.DOTALL：使.元字符匹配任意字符，包括换行符。
re.VERBOSE：启用注释和白空格，允许在正则表达式中包含注释。
如果没有找到匹配， match() 和 search() 返回 None 。如果它们成功， 一个 匹配对象 实例将被返回，包含匹配相关的信息：起始和终结位置、匹配的子串以及其它。
现在你可以检查 匹配对象 以获取有关匹配字符串的信息。 匹配对象实例也有几个方法和属性；最重要的是：
| 方法 / 属性 | 目的 |
|---|---|
group() |
返回正则匹配的字符串 |
start() |
返回匹配的开始位置 |
end() |
返回匹配的结束位置 |
span() |
返回包含匹配 (start, end) 位置的元组 |
group() 返回正则匹配的子字符串。
start() 和 end() 返回匹配的起始和结束索引。
span() 在单个元组中返回开始和结束索引。 由于 match() 方法只检查正则是否在字符串的开头匹配，所以 start() 将始终为零。 但是，模式的 search() 方法会扫描字符串，因此在这种情况下匹配可能不会从零开始。
re.match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。
re.match(pattern, string, flags=0)
text = "The quick brown fox jumps over the lazy dog."
pattern = r'\b\w+\b'
words = re.findall(pattern, text)
print(words)
\b 是一个正则表达式的元字符，表示单词的边界。它用于匹配一个单词的开始或结尾位置，而不会匹配一个完整单词。
详细解释如下：
\b 是一个特殊的元字符，用于指示正则表达式的单词边界。这意味着它会匹配一个单词与非单词字符之间的位置。
当使用 \b 时，正则表达式会查找一个单词的开头或结尾位置，而不是匹配整个单词。例如，如果使用正则表达式 \bcat\b 来匹配字符串 “catdog”，它将不会匹配到整个单词 “cat”，因为 \b 将阻止它匹配 “cat” 的后面部分 “dog”。
\b 可以用于匹配独立的单词，或者用于分隔不同的单词。例如，可以使用正则表达式 \bapple\b 来匹配独立的单词 “apple”，或者使用正则表达式 \b\w+\b 来匹配一个或多个字母数字字符组成的单词。
\b 只匹配单词的边界位置，而不匹配单词本身。如果想要匹配整个单词，可以使用其他元字符或正则表达式的组合来实现。
总之，\b 是一个用于指示正则表达式中的单词边界的元字符，它可以帮助我们更精确地匹配字符串中的单词。
正则表达式学习网站
4种可以利用的情况：
- 匹配后面有PM的数字：
\d+(?=PM) - 匹配后面没有PM的数字：
\d+(?!PM) - 匹配前面有
$的数字：(?<=\$)\d+ - 匹配前面没有
$的数字：(?!\$)\d+
匹配标志位设置
Python默认是全局匹配，如果要修改为局部匹配，通过标志位
re.LOCALE（缩写为re.L）进行设置，多行匹配的标志位为re.MULTIPLINE，可以缩写为re.M，还有忽略大小写通过re.IGNORECASE（缩写为re.I）进行控制。但是python的标志位设置能力很有限，因为它的匹配方法有多个。
- re.match：从头开始匹配
- re.search：全局匹配，只返回第一个符合条件的输入，输出为Match对象，
- 使用group()方法可以获取得到内容
- 使用span可以获取得到匹配子串的范围
- 使用start可以获取匹配子串的起点
- 使用end可以获取匹配子串的终点
- re.findall：全局匹配，返回所有符合条件的输入，输出位列表形式
- re.finditer：全局匹配，为了避免申请大量内存的列表，返回值是一个迭代器。
- 全局匹配
- 多行匹配
- 忽略大小写
贪婪匹配和懒惰匹配
贪婪匹配有点类似于全局匹配，在匹配到第一个满足条件的内容时，仍然不停止，一直要穷尽所有的样例
懒惰匹配则刚好相反，匹配到第一个满足条件的就停止匹配。
