正则表达式相关
一、常用元字符和语法
| 语法 | 说明 | 实例 | 匹配结果 | ||
|---|---|---|---|---|---|
| . | 匹配任意除换行符"\n"外的所有字符。 | a.c | abc | ||
| [..] | 字符集，对应位置可以是字符集中任意字符。 | a[bcd]e | abe ace ade |
||
| \d | 数字，[0-9] | a\dc | a1c | ||
| \D | 非数字，\d\ | a\Dc | abc | ||
| \s | 空白字符，匹配任何空白字符，包括空格、制表符、换页符等等，[ \t\r\n\f\v] | a\sc | a c | ||
| \S | 非空白字符，\s\ | a\Sc | abc | ||
| \w | 单词字符，[A-Za-z0-9] | a\wc | abc | ||
| \W | 非单词字符，\w\ | a\Wc | a c | ||
| * | 匹配前一个字符0次或多次 | abc* | ab abccc |
||
| + | 匹配前一个字符1次或多次 | abc+ | abc abccc |
||
| ? | 匹配前一个字符0次或1次 | abc？ | ab abc |
||
| {m} | 匹配前一个字符m次 | ab{2}c | abbc | ||
| {m,n} | 匹配前一个字符m到n次。 m和n可以省略，若省略m，则匹配0到n次；若省略n，则匹配m至多次 |
ab{1,2}c | abc abbc |
||
| ^ | 匹配字符串开头。在多行时，匹配每一行开头。 匹配输入字符串的开始位置，除非在方括号表达式中使用，此时它表示不接受该字符集合。 |
^abc | abc | ||
| $ | 匹配字符串末尾。在多行时，匹配每一行末尾。 | abc$ | abc | ||
| \A | 仅匹配字符串开头。 | \Aabc | abc | ||
| \Z | 仅匹配字符串末尾。 | abc\Z | abc | ||
| \b | 匹配\w和\W之间 匹配一个单词边界，即字与空格间的位置。 |
a\b!bc | a!bc | ||
| \B | 非单词边界匹配。[^\b] | a\Bbc | abc | ||
| \ | 左右表达式任意匹配一个 | abc\ | def | abc def |
|
| (...) | 标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。 | (abc){2} a(123\ |
456)c | abcabc a456c |
|
| [\u4e00-\u9fa5] | 匹配中文字符 | ||||
| [\s\S]*? | 表示匹配任意字符 |
二、相关概念
1、数量词的贪婪模式和非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。
- 贪婪模式：总是尝试匹配尽可能多的字符。
- 非贪婪模式：总是尝试匹配尽可能少的字符。
Python里数量词默认是贪婪的
例：正则表达式"ab"，如果用于查找"abbbc"，将找到"abbb"。如果用非贪婪模式的数量词"ab\?"，将找到"a"。
源字符串：aa<div>test1</div>bb<div>test2</div>cc
正则表达式一：<div>.*</div> # 贪婪模式
匹配结果一：<div>test1</div>bb<div>test2</div>
正则表达式二：<div>.*?</div> # 非贪婪模式
匹配结果二：<div>test1</div>（这里指的是一次匹配结果，所以没包括<div>test2</div>）
2、原生字符串
匹配一个数字的"\d"可以写成r"\d"
3、flags
- re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
- re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
- re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为
- re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
- re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
- re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。
4、group
除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用
()表示的就是要提取的分组（Group）。比如：^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码
m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
print(m.group(0))
print(m.group(1))
print(m.group(2))
# 010-12345
# 010
# 12345
三、常用方法
1、match
re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。
print(re.match('com', 'www.test.com'))
2、search
扫描整个字符串并返回第一个成功的匹配
print(re.search('www', 'www.test.com').span())
3、findall
在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。
import re
p = re.compile(r'\d+')
print p.findall('one1two2three3four4')
### output ###
# ['1', '2', '3', '4']
4、sub
sub用于替换字符串中的匹配项
phone = "2004-959-559 # 这是一个电话号码"
# 删除注释
num = re.sub(r'#.*$', "", phone)
print ("电话号码 : ", num)
5、split
split 方法按照能够匹配的子串将字符串分割后返回列表
re.split('\W+', 'runoob, runoob, runoob.')
['runoob', 'runoob', 'runoob', '']
6、compile
compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。
如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式
# 编译
tele = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用：
print(tele.match('010-12345').groups())
7、finditer
和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回
it = re.finditer(r"\d+","12a32bc43jf3")
for match in it:
print (match.group() )