Python 正则表达式入门

时间 2019-11-09

原文原文链接

引子

首先说正则表达式是什么？html

正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在不少文本编辑器里，正则表达式一般被用来检索、替换那些匹配某个模式的文本。
许多程序设计语言都支持利用正则表达式进行字符串操做。例如，在Perl中就内建了一个功能强大的正则表达式引擎。正则表达式这个概念最初是由Unix中的工具软件（例如sed和grep）普及开的。正则表达式一般缩写成“regex”，单数有regexp、regex，复数有regexps、regexes、regexen。
引用自维基百科https://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8Fjava

定义是定义，太正经了就无法用了。咱们来举个栗子：假如你在写一个爬虫，你获得了
一个网页的HTML源码。其中有一段python

<html><body><h1>hello world<h1></body></html>

你想要把这个hello world提取出来，但你这时若是只会python 的字符串处理，那么第一反应多是ios

s = <html><body><h1>hello world<h1></body></html>
start_index = s.find('<h1>')

而后从这个位置向下查找到下一个<h1>出现这样作何尝不可，可是很麻烦不是吗。须要考虑多个标签，一不留神就多匹配到东西了，而若是想要很是准确的匹配到，又得多加循环判断，效率过低。程序员

这时候，正则表达式就是首选的帮手。正则表达式

干货开始

入门级别

接着说咱们刚才那个例子。咱们若是拿正则处理这个表达式要怎么作呢？编程

import re

key = r"<html><body><h1>hello world<h1></body></html>"#这段是你要匹配的文本
p1 = r"(?<=<h1>).+?(?=<h1>)"#这是咱们写的正则表达式规则，你如今能够不理解啥意思
pattern1 = re.compile(p1)#咱们在编译这段正则表达式
matcher1 = re.search(pattern1,key)#在源文本中搜索符合正则表达式的部分
print matcher1.group(0)#打印出来

你能够尝试运行上面的代码，看看是否是和咱们想象的同样（博主是在python2.7环境下）发现代码挺少挺简单？往下看。并且正则表达式实际上要比看起来的那种奇形怪状要简单得多。python2.7

首先，从最基础的正则表达式提及。
假设咱们的想法是把一个字符串中的全部"python"给匹配到。咱们试一试怎么作编辑器

import re

key = r"javapythonhtmlvhdl"#这是源文本
p1 = r"python"#这是咱们写的正则表达式
pattern1 = re.compile(p1)#一样是编译
matcher1 = re.search(pattern1,key)#一样是查询
print matcher1.group(0)

看完这段代码，你是否是以为：卧槽？这就是正则表达式？直接写上去就行？
确实，正则表达式并不像它表面上那么奇葩，若是不是咱们故意改变一些符号的含义时，你看到的就是想要匹配的。
因此，先把大脑清空，先认为正则表达式就是和想要匹配的字符串长得同样。在以后的练习中咱们会逐步进化工具

初级

0.不管是python仍是正则表达式都是区分大小写的，因此当你在上面那个例子上把"python"换成了"Python"，那就匹配不到你心爱的python了。

1.从新回到第一个例子中那个<h1>hello world<h1>匹配。假如我像这么写，会怎么样？

import re

key = r"<h1>hello world<h1>"#源文本
p1 = r"<h1>.+<h1>"#咱们写的正则表达式，下面会将为何
pattern1 = re.compile(p1)
print pattern1.findall(key)#发没发现，我怎么写成findall了？咋变了呢？

有了入门级的经验，咱们知道那两个<h1>就是普普统统的字符，可是中间的是什么鬼？
.字符在正则表达式表明着能够表明任何一个字符（包括它自己）
findall返回的是全部符合要求的元素列表，包括仅有一个元素时，它仍是给你返回的列表。

机智如你可能会忽然问：那我若是就只是想匹配"."呢？结果啥都给我返回了咋整？在正则表达式中有一个字符\，其实若是你编程经验较多的话，你就会发现这是好多地方的“转义符”。在正则表达式里，这个符号一般用来把特殊的符号转成普通的，把普通的转成特殊的23333（并非特殊的“2333”，写完才发现会不会有脑洞大的想歪了）。
举个栗子，你真的想匹配"chuxiuhong@hit.edu.cn"这个邮箱（个人邮箱），你能够把正则表达式写成下面这个样子：

import re

key = r"afiouwehrfuichuxiuhong@hit.edu.cnaskdjhfiosueh"
p1 = r"chuxiuhong@hit\.edu\.cn"
pattern1 = re.compile(p1)
print pattern1.findall(key)

发现了吧，咱们在.的前面加上了转义符\，可是并非表明匹配“\.”的意思，而是只匹配“.”的意思！
不知道你细不细心，有没有发现咱们第一次用.时，后面还跟了一个+？那这个加号是干什么的呢？
其实不难想，咱们说了“.字符在正则表达式表明着能够表明任何一个字符（包括它自己）”，可是"hello world"可不是一个字符啊。
+的做用是将前面一个字符或一个子表达式重复一遍或者多遍。
比方说表达式“ab+”那么它能匹配到“abbbbb”，可是不能匹配到"a"，它要求你必须得有个b，多了不限，少了不行。你若是问我有没有那种“有没有都行，有多少都行的表达方式”，回答是有的。
*跟在其余符号后面表达能够匹配到它0次或屡次
比方说咱们在王叶内遇到了连接，可能既有http://开头的，又有https://开头的，咱们怎么处理？

import re

key = r"http://www.nsfbuhwe.com and https://www.auhfisna.com"#胡编乱造的网址，别在乎
p1 = r"https*://"#看那个星号！
pattern1 = re.compile(p1)
print pattern1.findall(key)

输出

['http://', 'https://']

2.比方说咱们有这么一个字符串"cat hat mat qat"，你会发现前面三个是实际的单词，最后那个是我胡编乱造的（上百度查完是昆士兰英语学院的缩写= =）。若是你原本就知道"at"前面是c、h、m其中之一时这才构成单词，你想把这样的匹配出来。根据已经学到的知识是否是会想到写出来三个正则表达式进行匹配？实际上不须要。由于有一种多字符匹方式
[]表明匹配里面的字符中的任意一个
仍是举个栗子，咱们发现啊，有的程序员比较过度，，在<html></html>这对标签上，大小写混用，老害得咱们抓不到想要的东西，咱们该怎么应对？是写16*16种正则表达式挨个匹配？no

import re

key = r"lalala<hTml>hello</Html>heiheihei"
p1 = r"<[Hh][Tt][Mm][Ll]>.+?</[Hh][Tt][Mm][Ll]>"
pattern1 = re.compile(p1)
print pattern1.findall(key)

输出

['<hTml>hello</Html>']

咱们既然有了范围性的匹配，天然有范围性的排除。
[^]表明除了内部包含的字符之外都能匹配
仍是cat,hat,mat,qat这个例子，咱们想匹配除了qat之外的，那么就应该这么写：

import re

key = r"mat cat hat pat"
p1 = r"[^p]at"#这表明除了p之外都匹配
pattern1 = re.compile(p1)
print pattern1.findall(key)

输出
为了方便咱们写简洁的正则表达式，它自己还提供下面这样的写法

正则表达式	表明的匹配字符
[0-9]	0123456789任意之一
[a-z]	小写字母任意之一
[A-Z]	大写字母任意之一
\d	等同于[0-9]
\D	等同于[^0-9]匹配非数字
\w	等同于[a-z0-9A-Z_]匹配大小写字母、数字和下划线
\W	等同于[^a-z0-9A-Z_]等同于上一条取非

3.介绍到这里，咱们可能已经掌握了大体的正则表达式的构造方式，可是咱们经常会在实战中遇到一些匹配的不许确的问题。比方说：

import re

key = r"chuxiuhong@hit.edu.cn"
p1 = r"@.+\."#我想匹配到@后面一直到“.”之间的，在这里是hit
pattern1 = re.compile(p1)
print pattern1.findall(key)

输出结果

['@hit.edu.']

呦呵！你咋能多了呢？我理想的结果是@hit.，你咋还给我加量了呢？这是由于正则表达式默认是“贪婪”的，咱们以前讲过，“+”表明是字符重复一次或屡次。可是咱们没有细说这个屡次究竟是多少次。因此它会尽量“贪婪”地多给咱们匹配字符，在这个例子里也就是匹配到最后一个“.”。
咱们怎么解决这种问题呢？只要在“+”后面加一个“？”就行了。

import re

key = r"chuxiuhong@hit.edu.cn"
p1 = r"@.+?\."#我想匹配到@后面一直到“.”之间的，在这里是hit
pattern1 = re.compile(p1)
print pattern1.findall(key)

输出结果

['@hit.']

加了一个“?”咱们就将贪婪的“+”改为了懒惰的“+”。这对于[abc]+,\w*之类的一样适用。

小测验：上面那个例子能够不使用懒惰匹配，想一种方法获得一样的结果

**我的建议：在你使用"+","*"的时候，必定先想好究竟是用贪婪型仍是懒惰型，尤为是当你用到范围较大的项目上时，由于颇有可能它就多匹配字符回来给你！！！**

为了可以准确的控制重复次数，正则表达式还提供
{a,b}(表明a<=匹配次数<=b)

仍是举个栗子，咱们有sas,saas,saaas，咱们想要sas和saas，咱们怎么处理呢？

import re

key = r"saas and sas and saaas"
p1 = r"sa{1,2}s"
pattern1 = re.compile(p1)
print pattern1.findall(key)

输出

['saas', 'sas']

若是你省略掉{1,2}中的2，那么就表明至少匹配一次，那么就等价于？
若是你省略掉{1,2}中的1，那么就表明至多匹配2次。

下面列举一些正则表达式里的元字符及其做用

元字符	说明
.	表明任意字符
\|	逻辑或操做符
[ ]	匹配内部的任一字符或子表达式
[^]	对字符集和取非
-	定义一个区间
\	对下一字符取非（一般是普通变特殊，特殊变普通）
*	匹配前面的字符或者子表达式0次或屡次
*?	惰性匹配上一个
+	匹配前一个字符或子表达式一次或屡次
+?	惰性匹配上一个
?	匹配前一个字符或子表达式0次或1次重复
{n}	匹配前一个字符或子表达式
{m,n}	匹配前一个字符或子表达式至少m次至多n次
{n,}	匹配前一个字符或者子表达式至少n次
{n,}?	前一个的惰性匹配
^	匹配字符串的开头
\A	匹配字符串开头
$	匹配字符串结束
[\b]	退格字符
\c	匹配一个控制字符
\d	匹配任意数字
\D	匹配数字之外的字符
\t	匹配制表符
\w	匹配任意数字字母下划线
\W	不匹配数字字母下划线

中级篇介绍子表达式，向前向后查找，回溯引用连接：http://www.cnblogs.com/chuxiuhong/p/5907484.html