python正則-re的使用

今天在刷題的時候用到了正則，用的過程中就感覺有點不太熟練了，很久沒有用正則都有點忘了。所以現在呢，我們就一起來review一下python中正則模塊re的用法吧。

今天是review，所以一些基礎的概念就不做介紹了，先來看正則中的修飾符以及它的功能：

修飾符

• re.I 使匹配對大小寫不敏感
• re.L 做本地化識別匹配
• re.M 多行匹配,影響^和$
• re.S 使.匹配包括換行在內的所有字元
• re.U 根據Unicode字元集解析字元.這個標誌影響\w \W \b \B
• re.X 該標誌通過給予你更靈活的格式以便你將正則表達式寫的更易於理解.

模式

• ^ 匹配字元串開頭
• $ 匹配字元串結尾
• . 匹配人以字元,除了換行符號.當re.DOTAALL標記被指定時,則可以匹配包括換行符的任意字元.
• [...] 用來表示一組字元,單獨列出:[amk]匹配a,m或k
• [^...] 不在[]中的字元:[^amk]匹配除amk之外的字元
• re* 匹配0個或多個的表達式
• re+ 匹配1個或多個的表達式
• re? 匹配0個或1個由前面的正則表達式定義的片段,非貪婪方式.
• re{n} 精準匹配n個前面表達式
• re{n,} 匹配大於等於n個前面表達式
• re{n,m} 匹配n到m個前面的表達式定義的片段,貪婪方式
• a|b 匹配a或b
• (re) 對正則表達式分組,並記住匹配的文本
• (?imx) 正則表達式包含三種可選標誌,imx,隻影響括弧中的區域.
• (?-imx) 正則表達式關閉imx可選標誌,隻影響括弧中的區域.
• (?:re) 類似(...)但不表示一個組
• (?imx:re) 在括弧中使用imx可選標誌
• (?-imx:re) 在括弧中不是用imx可選標誌
• (?#...) 註釋
• (?=re) 前向肯定界定符.如果所含正則表達式,以...表示,在當前位置成功匹配時成功,否則失敗.但一旦所含表達式已經嘗試,匹配引擎根本沒有提高,模式的剩餘部分還要嘗試界定符右邊.
• (?!re) 前向否定界定符.與肯定界定符相反;當所含的表達式不能在字元串當前位置匹配成功時成功.
• (?>re) 匹配的獨立模式,省去回朔.
• \w 匹配字元數字以及下劃線
• \W 匹配非字母數字下劃線
• \s 匹配任意空白字元,等價於[\t\n\r\f]
• \S 匹配任意非空白字元
• \d 匹配任意數字
• \D 匹配任意非數字
• \A 匹配字元串開始
• \Z 匹配字元串結束,如果是存在換行,只匹配到換行前的結束字元串.
• \z 匹配字元串結束
• \G 匹配最後匹配完成的位置
• \b 匹配一個單詞邊界,也就是指單詞和空格之間的位置
• \B 匹配非單詞邊界
• \n \t 匹配一個換行符,一個製表符
• \1...\9 匹配第n個分組的內容

上面這些呢，是我們會用到的一些模式，這裡面絕大部分都是應該熟記於心的。

接下來我們看re的一些方法：

re.compile

這個方法會生成一個正則對象，他的第一個參數是正則字元串，第二個參數是修飾符，就是 re.I, re.S 這些。

生成的這個正則對象呢，它還有一些方法，比如match、findall、finditer、search等等，這些方法的用法請往下看。

re.match

match方法是從給定字元串的開頭開始進行匹配，並且只匹配一次。也就是說如果字元串和正則的第一個字母就對不上那就匹配失敗了。

ta的參數是pettern，string，flags

• pettern 就是正則字元串，如果是通過re.compile方法生成的正則對象.match來調用的話，就不需要這個參數了，因為正則對象本身就代表了一個正則匹配模式。

• string 就是要進行匹配的目標字元串

• flags 就是正則的修飾符，比如 re.I

match 如果匹配失敗返回None，匹配懲罰返回的則是一個match對象。

match對象有一些方法，比較常用的有：span、group、groups等等

• span 方法返回的一個二元組，分別表示匹配字元串在目標字元串中的起始下標和結束下標
• group 函數有一個int類型的參數，參數為0表示返回正則匹配的字元串，參數為1返回正則中第一個組匹配的內容，2返回第二組的內容一次類推
• groups 函數是所有group函數結果組成一個元組。

re.search

search 函數和 match 函數是類似的，區別在於match方法是只在目標函數開頭匹配一次；search函數是在整個目標函數上匹配一次，一次匹配成功後不再進行匹配。

同樣search方法返回的也是一個match對象，用法和match方法返回的結果一樣。

re.split

split 函數是用來分割字元串的一個函數。它的功能就是根據匹配的字元串對目標字元串進行分割，返回的結果是一個列表。

需要註意的是，如果正則中有組，組內的字元在結果列表中也會保留，不是組內的字元在結果列表中不會被保留。什麼意思呢？通過一個例子來看一下：

st = 'www.baidu.com www.taobao.com'
result = re.split('bai(du)', st)

print(result)

結果：['www.', 'du', '.com www.taobao.com']

可以看到，字元串‘du’是被括弧括起來的，所以在結果中也有'du'這個元素，而'bai'沒有被括弧括起來，在結果中就不會有‘bai’這個元素。

re.findall

這個函數是我在爬蟲項目中用的最多的一個函數了，它可以把所有匹配的結果以列表的形式返回，而不是像match和search一樣只匹配一個結果。我們來試一下：

st = 'www.baidu.com www.taobao.com'
result = re.findall(r'www\.(\w*)\.(com)', st)
print(result)

[('baidu', 'com'), ('taobao', 'com')]

re.finditer

這個函數和findall的功能一樣。不同之處在於這個函數返回的結果是一個生成器，而生成器中的每一項是一個match對象，我們一起來看一下：

st = 'www.baidu.com www.taobao.com'
result = re.finditer(r'www\.(\w*)\.(com)', st)
print(result.__next__().group(0, 1, 2))
print(next(result).groups(2))

('www.baidu.com', 'baidu', 'com')
('taobao', 'com')

re.sub

這個函數是用來替換字元串的。可以將匹配的字元串替換成指定的字元串，我們來看一下：

st = 'www.111.com www.222.com'
result = re.sub(r'\d+', 'OK', st)
print(result)

結果：www.OK.com www.OK.com

我們的第二個參數除了可以是一個給定的字元串還可以是一個函數：

def toOK(matched):
    value = matched.group()
    return str(int(value)*2)


st = 'www.111.com www.222.com'
result = re.sub(r'\d+', toOK, st)
print(result)

結果：www.222.com www.444.com

好，我們今天的review就到這裡了，你掌握了嗎？對於正則你還知道哪些更高級的用法呢，留言告訴我吧。