正則表示式

應用場景

• 特定規律字串的查詢，切割、替換等
• 特定格式(郵箱、手機號、IP、URL等)的校驗
• 爬蟲專案中，提取特定內容

使用原則

• 只要使用字串函式能夠解決的問題就不要使用正則
• 正則的效率比較低，同時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；在不清楚功能的情況下，不要閱讀別人的正則

基本使用

• 說明：正則的解析不是我們來做的，需要藉助re模組

• 相關函式：

  • match：只從開頭進行匹配，匹配到就返回結果物件，沒有找到返回None
  • search：從任意位置匹配，功能同上，都是單次匹配(找到就停)

  m = re.search('abc', 'hadajabcadjlae')
  
  if m:
      # 返回匹配的內容
      print(m.group())
      # 返回匹配內容的位置
      print(m.span())
  

  • findall：全部匹配，返回所有匹配的到結果列表，沒有找到返回空列表

  f = re.findall('abcd', 'abcasjdlaabcaksjd;abcasdjla')
  print(f)
  

  • compile：建立正則表示式物件，可以讓建立正則物件和內容匹配分開操作

  # 可以先生成正則表示式物件，然後再進行匹配
  c = re.compile('cba')
  # print(type(c))
  
  # 從開頭匹配
  # m = c.match('cbasdhaj;acbaalsdk')
  # 從任意位置匹配
  m = c.search('casdhaj;acbaalsdk')
  
  if m:
      print(m.group())
  
  # 匹配所有
  f = c.findall('ahkjdcbasdkjalcbasakldjacba')
  print(f)
  

  此方式可以分開操作，比較靈活

正則語法

• 單個字元

  普通字元：簡單理解就是一對一的完全匹配
  []：中間的任意一個字元
  	[abc]：abc的任意一個字元
  	[0-9]：任意的數字字元
  	[a-zA-Z]：任意的字母
  	[^0-9]：非數字字元
  . ：除'\n'以外的任意字元
  \d：數字字元，等價於[0-9]
  \D：非數字字元，等價於[^0-9]
  \w：匹配字(數字、字母、下劃線)
  \W：匹配非字(\w相反的內容)
  \s：空白字元(\n、\r、\t、空格)
  \S：非空白字元(\s相反的內容)
  \b：詞邊界(開頭、結尾、空格、標點)
  \B：非詞邊界(\b相反的內容)
  

• 次數限定：修飾前面的單個字元出現的次數

  *：任意次
  +：至少一次
  ?：至多一次
  {m}：指定m次
  {m,n}：m <= 次數 <=n
  {m,}：至少m次
  {,m}：至多m次
  

• 邊界限定

  • ^：以指定的內容開頭
  • $：以指定的內容結尾
  • 示例：

  import re
  
  # 只從開頭匹配
  # f = re.findall('^hello', 'asjdhelloaskd')
  # 只從結尾匹配
  f = re.findall('world$', 'asjdhelloaskworld')
  # 同時限制開頭和結尾
  f = re.findall('^\w*$', 'asjdhelloaskworld')
  print(f)
  

• 優先順序與整體

  import re
  
  # |：表示或，擁有最低的優先順序
  # ()：可以表示一個整體
  s = re.search('hell(o|w)orld', 'akdhahellworld')
  
  if s:
      print(s.group())
  

• 分組匹配

  • 示例1：

  import re
  
  c = re.compile('(\d+)([a-z]+)(\d+)')
  
  s = c.search('agaj2635sdhasda237adjsd')
  
  if s:
      # 0：表示完整匹配內容，之後的數字表示第幾組，也就是第幾個()匹配的內容
      print(s.group(0), s.span(0))
      print(s.group(1), s.span(1))
      print(s.group(2), s.span(2))
      print(s.group(3), s.span(3))
  

  • 示例2：

  import re
  
  # 固定匹配
  # c = re.compile('<div><a>\w+</a></div>')
  # 動態匹配：匹配兩次巢狀的標籤
  # c = re.compile('<[a-z]+><[a-z]+>\w+</[a-z]+></[a-z]+>')
  # 無名分組：\1、\2分別表示前面的第一組、第二組匹配的內容
  # c = re.compile(r'<([a-z]+)><([a-z]+)>\w+</\2></\1>')
  # 命名分組：給分組()起名字
  c = re.compile(r'<(?P<one>[a-z]+)><(?P<two>[a-z]+)>\w+</(?P=two)></(?P=one)>')
  
  s = c.search('<div><a>百度一下</a></div>')
  
  if s:
      print(s.group())
      # 返回所有組的資訊，是一個元組
      print(s.groups())
      # 返回分組的字典，鍵是組的名字，值時匹配的內容
      print(s.groupdict())
  

• findall

  import re
  
  # 按照正則進行匹配，但是新增()後，結果只顯示()匹配的內容
  f = re.findall('A(abc)A', 'asdjAabcAasdjAabcAsdkabca')
  
  print(f)
  

• 貪婪匹配

  • 貪婪：最大限度的匹配。正則的匹配預設是貪婪的
  • 非貪婪：只要滿足條件，能少匹配就少匹配。可以使用’?'取消貪婪
  • 示例：

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

• 匹配模式

  • 說明：匹配模式就是對預設的匹配原則進行整體的修飾
  • 示例：

  import re
  
  # re.I：表示忽略大小寫
  # s = re.search(r'hello', 'Hello', re.I)
  
  # re.M：多行處理，預設會把字元當做一行處理
  s = re.search(r'^hello', 'asdkasj\nhelloajsdhkas', re.M)
  
  # string = '<div>hello</div>'
  string = '''<div>
  hello
  </div>'''
  # re.S：是.可以匹配任意，作為單行處理(忽略\n)
  s = re.search(r'<div>.*?</div>', string, re.S)
  
  if s:
      print(s.group())
  

• 字元轉義

  • 匹配凡是跟正則語法相關的字元都需要需要進轉義
  • 示例：

  import re
  
  # python    \\\d    \\\\d   r'\\d'
  # re        \\d     \\d     \\d
  # 實際        \d      \d      \d
  
  # 推薦使用，否則需要寫很多\
  c = re.compile(r'\\d')
  
  s = c.search('\d')
  
  if s:
      print(s.group())
   
  # 匹配'\b'字串
  c = re.compile(r'\b')
  
  # \b本身有特殊含義
  s = c.search(r'\b')
  if s:
  	print('成功', s.group())	   
  

  在定義字串的開頭新增’r’表示原始字串，可以輕鬆解決很多關於轉義的問題

• 正則切割

  import re
  
  c = re.compile(r'\d')
  
  string = '正則其實不難1但是學完之後2發現什麼也不出來3是這樣吧'
  
  # 字串是固定切割，不能解決某類的匹配切割問題
  # print(string.split('1'))
  # 按照正則進行切割
  ret = c.split(string)
  print(ret)
  
  # 整體方案
  print(re.split(r'\d', string))
  

• 正則替換

  string = 'helloadjasdhelloskdjalkhellosdjka'
  # 字串替換
  new_string = string.replace('hello', 'world', 2)
  print(new_string)
  
  import re
  
  s = 'how1are2you'
  # 正則替換
  # s2 = re.sub(r'\d', ' ', s)
  # 替換時可以傳遞一個函式，使用函式的返回值進行替換
  def double(s):
      return str(int(s.group()) * 2)
      # return 'xxx'
  # 使用專門的處理函式，可以認為的干預替換過程
  s2 = re.sub(r'\d', double, s)
  print(s2)