16.Python的正则表达式

正则表达式

什么是正则表达式
- 正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。
正则表达式的使用场景
- 判断一个字符串是否符合规则。
- 取出制定数据
- 爬虫岗位较为核心的技术
- 彩票网站匹配彩票信息
正则表达式模块re的用法
- re模块使Python语言拥有全部的正则表达式功能。

re.match函数

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()返回none.
函数语法：
- ```
re.match(pattern,string,flags=0)
```
函数参数说明：
- 参数描述
  
  pattern 匹配的正则表达式
  
  string 要匹配的字符串
  
  flags 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等
- ```
import re

#在起始位置匹配
print(re.match(\'www\',\'www.ckk.com\').span()) #(0,3)
#不在起始位置匹配
print(re.match(\'com\',\'www.runoob.com\')) #None
```
匹配成功re.match方法返回一个匹配的对象，否则返回None。

我们可以使用group(num)或groups()匹配对象函数来获取匹配表达式。

import re

line = "Cats are smarter than dogs"
# .* 表示任意匹配除换行符（\n、\r）之外的任何单个或多个字符
# (.*?) 表示"非贪婪"模式，只保存第一个匹配到的子串
matchObj = re.match(r\'(.*) are (.*?) .*\', line, re.M | re.I)

if matchObj:
    print("matchObj.group() : ", matchObj.group())  #matchObj.group() :  Cats are smarter than dogs
    print("matchObj.group(1) : ", matchObj.group(1))#matchObj.group(1) :  Cats
    print("matchObj.group(2) : ", matchObj.group(2))#matchObj.group(2) :  smarter
else:
    print("No match!!")

re.search方法

re.search扫描整个字符串并返回第一个成功的匹配
函数语法：
- ```
re.search(pattern,string,flags=0)
```
函数参数说明：
- 参数描述
  
  pattern 匹配的正则表达式
  
  string 要匹配的字符串
  
  flags 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等
匹配成功re.search方法返回一个匹配的对象，否则返回None。

我们可以使用group(num)或groups()匹配对象函数来获取匹配表达式。

匹配对象方法	描述
group(num=0)	匹配的整个表达式的字符串，group()可以一次输入多个组号，在这种情况下它将返回一个包含哪些组所对应值的元组。
groups()	返回一个包含所有小组字符串的元组，从1到所含的小组号。

示例代码：

import re

#在起始位置匹配
print(re.search(\'www\',\'www.ckk.com\'.span()) #(0,3)
#不在起始位置匹配
print(re.search(\'com\',\'www.ckk.com\'.span()) #(11,14)

import re
 
line = "Cats are smarter than dogs"
 
searchObj = re.search( r\'(.*) are (.*?) .*\', line, re.M|re.I)
 
if searchObj:
   print ("searchObj.group() : ", searchObj.group())#
   print ("searchObj.group(1) : ", searchObj.group(1))
   print ("searchObj.group(2) : ", searchObj.group(2))
else:
   print ("Nothing found!!")
  
\'\'\'
searchObj.group() :  Cats are smarter than dogs
searchObj.group(1) :  Cats
searchObj.group(2) :  smarter
\'\'\'

re.match与re.search的区别
- re.math只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None，而re.search匹配整个字符串，直到找到一个匹配。

检索和替换

Python的re模块提供了re.sub用于替换字符串中的匹配项。

语法：

re.sub(pattern,repl,string,count=0,flags=0)

参数：
- pattern:正则中的模式字符串。
- repl:替换的字符串，也可为一个函数、
- string:要被查找替换的原始字符串
- count:模式匹配后替换的最大次数，默认0表示替换所有的匹配。
- flags:编译时用的匹配模式，数字形式。
- 前三个为必选参数，后两个为可选参数

示例代码

import re
 
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)#电话号码 :  2004-959-559 
 
# 移除非数字的内容
num = re.sub(r\'\D\', "", phone)
print ("电话号码 : ", num)#电话号码 :  2004959559

repl参数是一个函数

import re
 
# 将匹配的数字乘于 2
def double(matched):
    value = int(matched.group(\'value\'))
    return str(value * 2)
 
s = \'A23G4HFD567\'
print(re.sub(\'(?P<value>\d+)\', double, s))#A46G8HFD1134

compile函数

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。
语法格式为：
- ```
re.compile(pattern[,flags])
```
参数：
- pattern:一个字符串形式的正则表达式
- Flags:可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：
- re.l忽略大小写
  - re.L:表示特殊字符集\w,\W,\b,\B,\s,\S依赖于当前环境
  - re.M:多行模式
  - re.S:即为’.‘并且包括换行符在内的任意字符(\'.\'不包括换行符)
  - re.U:表示特殊字符集\w,\W,\b,\B,\s,\S依赖于Unicode字符属性数据库
  - re.X：为了增加可读性，忽略空格和\'#\'后面的注释

示例代码：

>>>import re
>>> pattern = re.compile(r\'\d+\')                    # 用于匹配至少一个数字
>>> m = pattern.match(\'one12twothree34four\')        # 查找头部，没有匹配
>>> print( m )
None
>>> m = pattern.match(\'one12twothree34four\', 2, 10) # 从\'e\'的位置开始匹配，没有匹配
>>> print( m )
None
>>> m = pattern.match(\'one12twothree34four\', 3, 10) # 从\'1\'的位置开始匹配，正好匹配
>>> print( m )                                        # 返回一个 Match 对象
<_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0)   # 可省略 0
\'12\'
>>> m.start(0)   # 可省略 0
3
>>> m.end(0)     # 可省略 0
5
>>> m.span(0)    # 可省略 0
(3, 5)

在上面，当匹配成功时返回一个match对象，其中：
- group([group1, …]) 方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
- start([group]) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
- end([group]) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
- span([group]) 方法返回 (start(group), end(group))。

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。
注意：
- match和search是匹配一次。
- findall匹配所有

语法格式为：

re.findall(pattern,string,flags=0)
或者
pattern.findall(string[,pos[,endpos]])

参数：
- pattern:匹配模式
- string：待匹配的字符串
- pos:可选参数，指定字符串的起始位置，默认为0
- endpos:可选参数，指定字符串的结束位置，默认为字符串的长度。

查找字符串中的所有数字：

import re
 
result1 = re.findall(r\'\d+\',\'runoob 123 google 456\')
 
pattern = re.compile(r\'\d+\')   # 查找数字
result2 = pattern.findall(\'runoob 123 google 456\')
result3 = pattern.findall(\'run88oob123google456\', 0, 10)
 
print(result1)#[\'123\', \'456\']
print(result2)#[\'123\', \'456\']
print(result3)#[\'88\', \'12\']

re.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。
- ```
re.finditer(pattern,string,flags=0)
```
参数：
- 参数描述
  
  pattern 匹配的正则表达式
  
  string 要匹配的字符串
  
  flags 标志位，用于控制正则表达式的匹配方式。

示例代码：

import re
 
it = re.finditer(r"\d+","12a32bc43jf3") 
for match in it: 
    print (match.group() )
    
\'\'\'
12
32
43
3
\'\'\'

re.split

split方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下
- ```
re.split(pattern,string[,maxsplit=0,flags=0])
```

参数：

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串
maxsplit	分割次数,maxsplit=1 分割一次，默认为0，不限制次数。
flags	标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见：[正则表达式修饰符 - 可选标志]

示例代码

>>>import re
>>> re.split(\'\W+\', \'runoob, runoob, runoob.\')
[\'runoob\', \'runoob\', \'runoob\', \'\']
>>> re.split(\'(\W+)\', \' runoob, runoob, runoob.\') 
[\'\', \' \', \'runoob\', \', \', \'runoob\', \', \', \'runoob\', \'.\', \'\']
>>> re.split(\'\W+\', \' runoob, runoob, runoob.\', 1) 
[\'\', \'runoob, runoob, runoob.\']
 
>>> re.split(\'a*\', \'hello world\')   # 对于一个找不到匹配的字符串而言，split 不会对其作出分割
[\'hello world\']

正则表达式对象

re.RegexObject
- re.compile()返回RegexObject对象。
re.MatchObject
group()返回被RE匹配的字符串
- start():返回匹配开始的位置
- end():返回匹配结束的位置
- span():返回一个元组包含匹配(开始，结束)的位置

正则表达式修饰符--可选标志

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位OR()它们来指定。如re.l。re.M被设置成I和M标志:
正则表达式模式
- 模式字符串使用特殊的语法来表示一个正则表达式。
- 字母和数字表示他们自身。一个正则表达式模式中的字母和数字匹配同样的字符串。
- 多数字母和数字前加一个反斜杠时会拥有不同的含义。
- 标点符号只有被转义时才匹配自身，否则它们表示特殊的含义。
- 反斜杠本身需要使用反斜杠转义。
- 由于正则表达式通常都包含反斜杠，所以你最好使用原始字符串来表示它们。模式元素(如 r\'\t\'，等价于 \t )匹配相应的特殊字符。
- 下表列出了正则表达式模式语法中的特殊元素。如果你使用模式的同时提供了可选的标志参数，某些模式元素的含义会改变。

正则表达式实例

字符匹配
实例描述

python 匹配 "python".
字符类
特殊字符类