re正则

re

经常使用语法：

字符

.	匹配任意除换行符“\n”外的字符
\	转义字符，使用后一个字符改变原来的意思
[..]	字符集

预约义字符集：

\d	数字：[0-9]
\D	非数字：[^\d】
\s	空白字符：[ <空格> \t\r\n\f\v]
\S	非空白字符：[^\s】
\w	单词字符：[A-Za-z0-9]
\W	非空白字符:[^w

数词量：

*	匹配前一个字符0词或无限次
+	匹配前一个字符1次或者无限次
?	匹配前一个字符0次或1次
{m}	匹配前一个字符m次
{m,n}	匹配前一个字符m至n次

边界匹配（不消耗待匹配字符串中的字符）

^	匹配字符串开头
$	匹配字符串结尾
\A	仅匹配字符串开头
\Z	仅匹配字符串结尾
\b	匹配\w和\W之间
\B	[^B]

逻辑，分组

\	表明表达式任意匹配一个
(..)	被括起来的表达式将做为分组
[^..…]	匹配除了这组字符之外的字符

正则表达式相关注解

（1）数量词的贪婪模式与非贪婪模式

正则表达式一般用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的（在少数语言里也多是默认非贪婪），老是尝试匹配尽量多的字符；非贪婪的则相反，老是尝试匹配尽量少的字符。例如：正则表达式”ab”若是用于查找”abbbc”，将找到”abbb”。而若是使用非贪婪的数量词”ab?”，将找到”a”。

注：咱们通常使用非贪婪模式来提取。

（2）反斜杠问题

转义，在符号前面加上/

与大多数编程语言相同，正则表达式里使用””做为转义字符，这就可能形成反斜杠困扰。假如你须要匹配文本中的字符””，那么使用编程语言表示的正则表达式里将须要4个反斜杠”\\”：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。

Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可使用r”\”表示。一样，匹配一个数字的”\d”能够写成r”\d”。有了原生字符串，妈妈也不用担忧是否是漏写了反斜杠，写出来的表达式也更直观勒。

re模块

findall：匹配全部内容，造成一个列表，每一项都是列表中的一个元素

s = 'https://ygdy8.com/html/gndy/dyzz/20191022/59284.html">2019年悬疑恐怖《暗战》BD韩<|'

#`findall`匹配全部内容，造成一个列表，每一项都是列表中的一个元素
res = re.findall('com(.*?)5928',s)
print(res)      
#['/html/gndy/dyzz/20191022/']

search:只匹配符合条件的从左到右的第一个,获得的不是直接结果,而是一个变量,经过此变量的group方法来得到最后结果,若是没有匹配到符合条件的,则会返回None,使用group会报错

res = re.search('com(.*?)5928',s)
print(res.group())
#com/html/gndy/dyzz/20191022/5928

match:从头开始匹配,至关于search中的正则表达式加上一个"^"

res = re.match('[a-z]{3}',s)
print(res.group())
#htt

字符串处理的扩展

split:切割,返回列表****

res = re.split('\d+',s)
print(res)
#['https://ygdy', '.com/html/gndy/dyzz/', '/', '.html">', '年悬疑恐怖《暗战》BD韩<|']

sub:切换(旧，新，对象，替换次数）

res = re.sub('\d','*',s)
print(res)
#https://ygdy*.com/html/gndy/dyzz/********/*****.html">****年悬疑恐怖《暗战》BD韩<|

subn:也是替换，不过会返回一个元组，元组中第一个元素是替换后的结果，第二个参数是替换的次数

res = re.subn('\d','*',s)
print(res)
#('https://ygdy*.com/html/gndy/dyzz/********/*****.html">****年悬疑恐怖《暗战》BD韩<|', 18)

re模块的进阶

compile:节省使用正则表达式解决问题的时间,将正则表达式编译成字节码,屡次使用过程当中不会再屡次编译,直接拿来用

s = 'https://ygdy8.com/html/gndy/dyzz/20191022/59284.html">2019年悬疑恐怖《暗战》BD韩<|'
ret = re.compile('\d+')     #已经完成编译了
res = ret.findall(s)        #拿来直接用
print(res)
#['8', '20191022', '59284', '2019']

finditer:节省使用正则表达式解决问题的空间，也就是内存

返回一个迭代器,全部的结果都在这个迭代器中,须要经过循环+group的形式取值 可以节省内存

ret = re.finditer('\d+',s)
for i in ret:
    print(i.group())
#8
#20191022
#59284
#2019

正则表达式的分组在re模块中的使用

s = '<a>wahahafsdfsfdafsaafs</a>'       #标签语言HTML网页
ret = re.search('(<\w+>)(\w+)(</\w+>)',s)
print(ret.group())      #<a>wahahafsdfsfdafsaafs</a>   全部结果
print(ret.group(1))     #<a>   数字参数表明的是取对应分组中的内容 第一个分组中的
print(ret.group(2))     #wahahafsdfsfdafsaafs   第二个分组中内容
print(ret.group(3))     #</a>

正则表达式的分组在热模块中,为了findall也能够顺利取到分组中的内容,有一个特殊的语法,优先显示分组中的内容

s = '<a>wahahafs</a>'
ret = re.findall('(\w+)',s)
print(ret)      #['a', 'wahahafs', 'a']
res = re.findall('>(\w+)<',s)       #优先寻找匹配括号中的内容
print(res)      #['wahahafs']

若是想取消分组优先

形式:(?:正则表达式)

ret = re.findall('\d+(\.\d+)','1.234*4') 
print(ret) >>> ['.234']

ret = re.findall('\d+(?:\.\d+)','1.234*4') #取消了分组优先
print(ret) >>> ['1.234']