Day15 正则表达式和re模块

1.正则表达式

什么是正则?

　　正则就是用一些具有特殊含义的符号组合到一起(称为正则表达式)来描述字符或者字符串的方法.或者说正则就是用来描述一类事物的规则.

　　在python中我们运用正则就是用来筛选字符串中的特定的内容的

正则的应用场景

　　1.爬虫

　　2.数据分析

正则表达式的符号

(1)字符

元字符	匹配内容
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线
\s	匹配任意空白符
\d	匹配数字
\n	匹配一个换行符
\t	匹配一个制表符
\b	匹配一个单词的结尾
^	匹配字符串的开始
$	匹配字符串的结尾
\W	匹配非字母或数字或下划线
\D	匹配非数字
\S	匹配非空白符
a|b	匹配字符a或者字符b
()	匹配括号内的表达式,也表示一个组
[...]	匹配字符组中的字符
[^...]	匹配除了字符组中字符的所有其他字符

 注意:

^和$符号表示的是字符串的开头和结尾,当他们用在一起时会精准限制匹配的内容,他们中间写什么,匹配的字符串就是什么

abc|ab,这种abc或者ab的形式,长的一定要写在前面,不然短的会把长的全部取走

^符号的两种使用场景:

　　^写在外面,表示限制字符串的开头,后面跟什么,字符串的开头就必须是什么

　　^写在[^...]的格式,表示出了括号内^跟的字符,其他都要

分组:当多个正则符号需要重复多次时或者当做一个整体进行其他操作,可以以分组的形式

　　分组的语法就是()

 

(2)常用字符组形式

字符组:[字符组],括号里多个字符的形式

　　在同一个位置出现多个字符组成的字符组,正则表达式用[]表示

　　字符分为很多类,比如数字、字母、标点等等

[0-9]	表示0-9所有的数字
[a-z]	表示所有的小写字母
[A-Z]	表示所有的大写字母
[0-9a-zA-Z]	表示所有的数字和字母

 

(3)量词

量词	用法说明
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

 量词必须跟在正则符号后面,并且只能限制紧挨他的那个正则符号

 

(4)转义符\

　　在正则表达式中,有很多有特殊意义的元字符,如\n和\s等,如果我们想输出正常的\n而不是换行符,我们就要使用转义符\,对\n的\进行转义,变成'\\'.

　　但是当我们需要输出\\n时,我们必须使用两个转义符\\\\n来转义,这样就显得很麻烦了,这时候我们就需要用到r这个转义符,只需输出r'\\n'就可以了

转义符	待转义字符	正则
\	\n	\\n
\\	\\n	\\\\n
r	\\n	r'\\n'

 

(5)贪婪匹配

贪婪匹配:在满足匹配时,匹配尽可能长的字符串,默认情况下,采用贪婪匹配

正则	待匹配字符	匹配结果	说明
<.*>	<script>...<script>	'<script>...<script>'	默认为贪婪模式,会匹配尽可能多的字符
<.*?>	<script>...<script>	'<script>','<script>'	加上?后默认为非贪婪模式,会匹配尽可能少的字符

 

几个常用的非贪婪匹配

　　*?重复任意次,但尽可能少重复

　　+?重复1次或者更多次,但尽可能少重复

　　??重复0次或1次,但尽可能少重复

　　{n,m}?重复n到m次,但尽可能少重复

　　{n,}?重复n次以上,但尽可能少重复

.*?的用法

　　.是任意字符

　　*是取0到无限大

　　?是非贪婪模式

　　两个组合在一起就是尽量少的取任意字符,一般不会单独写

　　一般都是.*?x,在x之前取任意长度的字符,直到x出现

 

2.re模块

re模块和正则表达式之间的关系

　　正则表达式不是python独有的,它是一门独立的技术,所有的编程语言都可以使用正则,但是如果想在python中使用,必须依赖于re模块

re模块下的常用方法

import re
res = re.findall('z','sxc zzj zzp')  # 返回所有满足条件的结果,放在列表里
print(res)  # 返回的结果是['z', 'z', 'z', 'z']

res1 = re.search('z','sxc zzj zzp')  # 查找模式,只需要找到第一个就返回
print(res1)  # 返回匹配信息的对象
print(res1.group())  # 调用group()可以查看返回值,结果 z
res2 = re.search('a','sxc zzj zzp')
print(res2)  # 当查找一个不存在的字符会返回None

res3 = re.match('s','sxc zzj zzp')  # 和search一样,但是在开始处匹配
print(res3.group())  # 返回结果 s

res4 = re.split('[23]','2a1b2c3d4')  # 先按'2'切得到一串字符,再按3切得到最终返回结果
print(res4)  # 返回结果['', 'a1b', 'c', 'd4']

res5 = re.sub('\d','haha','1-2-3-4-5-')  # 将字符串的数字全部换成haha
print(res5)  # 返回结果haha-haha-haha-haha-haha-
res6 = re.sub('\d','haha','1-2-3-4-5-',3)  # 可以加数字,指定替换几个字符
print(res6)  # 返回结果haha-haha-haha-4-5-

res7 = re.subn('\d','zz','1-2-3-4-5',3)  # 替换的结果和替换的次数以元组的形式返回
print(res7)  # 返回结果('zz-zz-zz-4-5', 3)

obj = re.compile('\d{5}')  # 将正则表达式编译成一个正则表达式对象,规则要匹配3个数字
res8 = obj.search('s123456xc')  #正则表达式对象调用search，参数为待匹配的字符串
print(res8.group())  # 返回结果12345

res9 = re.finditer('\d','1s2s5f6t')  # finditer返回一个存放匹配结果的迭代器
print(res9)  # 生成一个迭代器
print(next(res9).group())  # 调用取值,返回1
print(next(res9).group())  # 调用取值,返回2
print(next(res9).group())  # 调用取值,返回5
print(next(res9).group())  # 调用取值,返回6
print(next(res9).group())  # 调用取值,超过范围报错StopIteration

 

findall的优先级查询

import re
res = re.findall('www.(baidu|oldboy).com','www.oldboy.com')# 需要返回的是www.oldboy.com
print(res)  # 返回的结果是oldboy,这是因为findall会优先返回组里的内容

res1 = re.findall('www.(?:baidu|oldboy).com','www.oldboy.com')# 需要返回的是www.oldboy.com
print(res1)  # 使用?:取消其优先级权限,返回的结果是www.oldboy.com

 

 

spilt的优先级查询

import re
res = re.split('\d','sxc1zzj2zzp3')  # 优先按照数字来切
print(res)  # 结果:['sxc', 'zzj', 'zzp', '']

res1 = re.split('(\d)','sxc1zzj2zzp3')  # 加了括号会保存数字
print(res1)  # 结果['sxc', '1', 'zzj', '2', 'zzp', '3', '']

在匹配部分加()结果是完全不同的,没有()的没有保留匹配的项,保留()的保留了匹配的项,这在某些需要保留匹配的项是非常重要的