正則表示式

應用場景

• 特定規律字串的查詢替換切割等
• 郵箱格式、URL、IP等的校驗
• 爬蟲專案中，特定內容的提取

使用原則

• 只要是能夠使用字串函式解決的問題，就不要使用正則
• 正則的效率較低，還會降低程式碼的可讀性
• 世界上最難理解的三樣東西：醫生的處方、道士的神符、碼農的正則
• 提醒：正則是用來寫的，不是用來讀的；在不知道功能的情況下，不要試圖閱讀別人的正則。

基本使用

• 說明：正則的解析處理是由re模組完成

• 相關函式：

  • match：從開頭進行匹配，匹配到就返回正則結果物件，沒有就返回None
  • search：從任意位置匹配，匹配到一次就返回，沒有就返回None

  import re
  
   
  # 只從開頭匹配，找到返回一個正則結果物件，沒有找到返回None
  # m = re.match('abc', 'abcsdhasdasjabcweuqo')
  # 全部匹配，只要找到就停止並返回
  m = re.search('abc', 'sdhabcsdasjabcweuqo')
  
  if m:
      # 提取匹配到的內容
      print(m.group())
      # 獲取匹配位置
      print(m.span())

  • findall：全域性匹配，返回匹配到的結果列表，沒有時返回空列表

  # 匹配所有內容，返回匹配結果組成的列表，若沒有則返回空列表
  f = re.findall('
   
  abc', 'qwsdhaslabcsadjlasdoiabcdakls')
  if f:
      print(f)
      print(type(f))

  • compile：生成正則表示式物件

  # 生成正則表示式物件，用於正則匹配
  c = re.compile('hello')
  
  # 從開頭進行匹配
  # m = c.match('hellosdsjldkabc')
  # 從任意位置匹配
  m = c.search('shdjkhelloaskjdha')
  if m:
      print(m.group())
  # 匹配所有
  f = c.findall('helloasjdhakhello')
   
  if f:
      print(f)

  將正則的匹配分兩步完成：先建立正則物件，然後通過物件的match、search、findall方法完成匹配

正則規則

• 單個字元：

  普通字元：簡單來說就是一對一的完全匹配
  []：中間的任意一個字元
      [a-z]：a~z之間的字元(所有小寫字母)
      [0-9]：0~9之間的字元(所有數字)
      [A-Z0-9]：所有的大寫字母和數字
      [^abc]：除abc外的所有字元
  . ：匹配'\n'以外的任意字元
  \d：所有的數字，等價於[0-9]
  \D：所有的非數字，等價於[^0-9]
  \w：所有的數字、字母(中文)、下劃線等(就是字)
  \W：所有的非字字元(\w的取反)
  \s：所有的空白字元(\n、\t、\t、空格等)
  \S：所有的非空白字元
  \b：詞邊界匹配(開頭、結尾、標點、空格)
  \B：非詞邊界匹配

• 次數控制

  *：前面的字元出現任意次
  +：前面的字元出現至少一次
  ?：前面的字元出現至多一次
  {m}：指定次數，m表示出現的次數
  {m,}：至少指定次數
  {m,n}：指定範圍內的次數，m到n次之間
  {,n}：至多n次，相當於{0,n}

  正則的匹配預設都是貪婪的(最大限度的匹配)

• 邊界限定

  • ^：以指定的內容開頭
  • $：以指定的內容結尾
  • 示例

  import re
  
  # 以指定的內容開頭
  # c = re.compile(r'^abc')
  # 以指定的內容結尾
  c = re.compile(r'kas$')
  
  s = c.search('abcsdhkas')
  
  if s:
      print(s.group())

• 優先順序控制

  • |：表示或，它擁有最低的優先順序
  • ()：用於表示一個整體，明確的指定優先順序
  • 示例：

  import re
  
  c = re.compile(r'a(hello|world)b')
  
  s = c.search('aworldb')
  
  if s:
      print(s.group())

• 分組匹配

  • 說明：()不但可以作為一個整體，還可以進行分組匹配
  • 示例1:

  import re
  
  c = re.compile(r'(\d+)([a-z]+)(\d+)')
  
  s = c.search('shd327sjahdajhsd87892ehawksd')
  
  if s:
      print(s.group())
      # 預設就是全部的匹配內容，等價於上式
      print(s.group(0))
      # 第一個()匹配到的內容
      print(s.group(1))
      print(s.group(2))
      print(s.group(3))
      print(s.span())
      print(s.span(0))
      print(s.span(1))
      print(s.span(2))
      print(s.span(3))

  • 示例2：給分組起名字

  import re
  
  # 固定匹配
  # c = re.compile(r'<div><a>\w+</a></div>')
  # \1表示前面第一個小括號匹配的內容
  # c = re.compile(r'<([a-z]+)><([a-z]+)>\w+</\2></\1>')
  # 給()起名字
  c = re.compile(r'<(?P<goudan>[a-z]+)><(?P<ergou>[a-z]+)>\w+</(?P=ergou)></(?P=goudan)>')
  
  s = c.search('<div><a>百度一下</a></div>')
  
  if s:
      print(s.group())

• 貪婪匹配

  • 貪婪：最大限度的匹配叫貪婪。正則的匹配預設是貪婪。
  • 非貪婪：只要滿足匹配條件，能少匹配就少匹配；通過可以使用'?'進行取消貪婪
  • 示例：

  import re
  
  # 取消任意多次的貪婪
  # c = re.compile(r'a.*?b')
  # 取消至少一次的貪婪
  c = re.compile(r'a.+?b')
  
  s = c.search('abdhsadjbsdjabs')
  
  if s:
      print(s.group())

• 匹配模式

  • 說明：所謂模式就是對匹配的原則進行整體的修飾
  • 示例：

  import re
  
  # 忽略大小寫的匹配
  # c = re.compile(r'hello', re.I)
  # s = c.search('Hello world')
  
  # 進行多行匹配，預設單行匹配
  # c = re.compile(r'^hello', re.M)
  # s = c.search('world \nhello')
  
  # 做為單行處理 或 讓 . 能夠匹配 \n
  c = re.compile(r'<div>.*?</div>', re.S)
  # string = '<div>hello</div>'
  string = '''<div>
  hello
  </div>'''
  s = c.search(string)
  
  if s:
      print(s.group())

• 字元轉義

  • 若匹配正則語法中的特定字元都需要進行轉義
  • 正則字串會被處理兩次，python中處理一次，re模組會在處理一次
  • 若不想考慮字元的轉義問題，可以在書寫正則字串時前面加一個字元'r'
  • 新增'r'之後，在python不會再進行任何轉義，只需在與正則語法相關的字元前加''即可讓其使用原有意義