正则表达式-re模块

一、正则表达式

什么是正则表达式

一套规则———匹配字符串的

能做什么

检测一个输入的字符串是否合法——web开发项目表单验证
- 用户输入一个内容的时候，我们要提前做检测
- 能够提高程序的效率并且减轻服务器的压力
从一个大文件中找到所有符合规则的内容——日志分析或爬虫
- 能够高效的从一大段文字中快速找到符合规则的内容

二、正则规则

所有的规则中的字符就可以刚好匹配到字符串中的内容

字符组 [ ] ：描述的是一个位置上能出现的所有可能性

接受范围，可以描述多个范围，连着写就可以了
[abc]：一个中括号只表示一个字符位置
- 匹配a或b或者c
[0-9]：根据ASCII进行范围的比对
[a-z]：匹配a到z范围内的所有小写字母
[A-Z]：匹配A到Z范围内的所有大写字母
[a-zA-z]：匹配所有大小写字母
[0-9a-z]：匹配0到9和所有的小写字母
[0-9a-zA-Z_]：匹配所有数字大小写字母和下划线

在正则表达式中能够帮助我们表示匹配的内容的符号都是正则中的元字符

[0-9] ———> \d：表示匹配一位任意数字（digit）
[0-9a-zA-Z_]———> \w：表示匹配数字字母下划线（word）
空格 ———> 就是空格
tab ———> \t：匹配tab空白
enter回车 ———> \n：匹配回车
空格，tab和回车———> \s：表示匹配所有空白包括空格tab和回车

元字符——匹配内容的规则

[]：——匹配字符组内的一个字符
[^]：——除了字符组内的内容都匹配
\d：——匹配所有的数字
\D 和 [^\d]：——匹配所有非数字（大写D）
\w：——匹配所有的字母
\W 和 [^\w]：——匹配所有的非字母（大写W）
\s：——匹配所有的空白
\S：——匹配所有的非空白（大写S）
[\d\D]、[\w\W]、[\s\S]：——表示匹配所有
. ——匹配除了执行换行符之外的所有
^：——匹配一个字符串的开始比如（^\d）匹配以数字开头的
$：——匹配一个字符串的结尾比如（\d$）匹配以数字结尾的
a表达式|b表达式：——匹配a或者b表达式中的内容，如果a匹配成功了，不会继续和b匹配，所以，如果两个规则有重叠部分，总是把长的放在前面

（）：——分组，约束或描述的内容的范围问题

匹配 www.baidu.com 或 www.oldboy.com 或 www.jd.com
方法一：www\.oldboy\.com|www\.baidu\.com|www\.jd\.com
方法二：www\.(oldboy|baidu|jd)\.com

三、量词

{n}：——表示匹配n次
{n，}：——表示匹配至少n次
{n，m}：——表示至少匹配n次，最多匹配m次
？：——表示匹配 0 次或 1 次 {0,1}
+：——表示 1 次或多次 {1，}
*：——表示 0 次或多次 {0，}

匹配0次：

整数：\d+
小数：\d+\.\d+
整数或小数：\d+\.?\d*（23423.）也会匹配上
分组的作用匹配小数或整数：\d+(\.d+)?

手机号码：

1 3-9 11位
- 1[3-9]\d{9}
- 第一位是1开头，第二位是3-9范围的任意数字后面是9位数字

判断用户输入的内容是否合法，如果用户输入的对就能查到结果，如果输入的不对就不能查到结果

加上首尾匹配元字符：就会固定匹配一个满足条件的字符
- ^1[3-9]\d{9}$

贪婪匹配：

在量词允许的情况下，尽量多的匹配内容
.*x：表示匹配任意字符，任意多次数，遇到最后一个x才停下来

非贪婪（惰性）匹配

.*?x：表示匹配任意字符，任意多次数，但是一旦遇到x就停下来
在量词后加？号就会变成惰性匹配

转义符

原本有特殊意义的字符，到了表达它本身的意义的时候，需要转义
有一些有特殊意义的内容，放在字符组中，会取消它的特殊意义
- [（）.*+?]——所有的内容放在字符组中会取消它的特殊意义
- [a\-c]：——在字符组中 - 表示范围，如果不希望它表示范围，需要转义，或者放在字符组的最前面或最后面

四、re模块

re.findall ('表达式'，'需要匹配的内容') ：
- 以字典的形式返回匹配到的所有字符串
```
import re
ret = re.findall('\d+','123abc456def')
print(ret)
# 输出
['123', '456']
```
- findall：遇到分组的时候，会按照完整的正则进行匹配，只是显示括号里匹配到的内容
- 取所有符合条件的,优先显示分组中的
```
ret = re.findall('2(\d)\d','1234abcd4267efgh')
print(ret)      # 只会显示匹配到234和267的第二个字符
# 输出
['3', '6']
```
re.search('表达式'，'需要匹配的内容')：
- 匹配第一个满足条件到的字符返回的是一个变量，只能用group（）查看。
```
ret = re.search('\d+','123abc456def')
print(ret)  # 返回的是变量
if ret:     # 匹配到了才显示，没匹配到返回 None，所以做了个判断
    print(ret.group())
# 输出
<re.Match object; span=(0, 3), match='123'>
123
```
- search：还是按照完整的正则进行匹配，显示也显示匹配到的第一个内容，但我们可以通过给group方法传参数来获取具体元组的内容
- 只取第一个符合条件的,没有优先显示这件事儿
- 得到的结果是一个变量:
  - 变量 .group() 的结果完全和变量 .group(0) 的结果一致
  - 变量 .group(n) 的形式来指定获取第 n 个分组中匹配到的内容
```
ret = re.search('2(\d)(\d)','1234abcd4267efgh')
print(ret)  # 变量
if ret:
    print(ret.group())
    print(ret.group(1))
    print(ret.group(2))
# 输出
<re.Match object; span=(1, 4), match='234'>
234
3
4
```

为什么在search中不需要分组优先，而在findall中需要？

在 findall中加上分组括号，是为了对真正需要的内容进行提取

ret = re.findall('<\w+>(\w+)</\w+>','<h1>abcd12345678efgh</h1>')
print(ret)
# 输出
['abcd12345678efgh']
在search中

ret = re.search('<(\w+)>(\w+）</\w+>','<h1>abcd123678efgh</h1>')
print(ret.group())   # 获取所有匹配到的内容
print(ret.group(1))  # 获取第一个分组的内容
print(ret.group(2))  # 获取第二个分组的内容
# 输出
<h1>abcd12345678efgh</h1>
h1
abcd12345678efgh

为什么要用分组，以及 findall 的分组优先到底有什么好处
- 使用findall分组优先可以把想要的内容放在分组里面
- 使用search分组就可以在匹配完了之后对自己想要操作的分组进行操作
```
exp = '2-3*(5+6)'
ret = re.search('(\d+)[+](\d+)',exp)
print(ret)          # 获取a+b或a-b，并且计算他们的结果。
print(ret.group(1)) 
print(ret.group(2))
print(int(ret.group(1)) + int(ret.group(2)))
```
如何取消分组优先：
- 如果在写正则的时候由于不得已的原因，导致不要的内容也写在分组里

（？：）——取消这个分组的优先显示

ret = re.findall('<(?:\w+)>(\w+)</\w+>','<h1>abcd12345678efgh</h1>')
print(ret)
# 输出
['abcd12345678efgh']