（3）re模块（正则表达式模块）

什么是正则表达式

正则就是用一些具有特殊含义的符号组合到一起（称为正则表达式）来描述字符或者字符串的方法。或者说：正则就是用来描述一类事物的规则。（在Python中）它内嵌在Python中，并通过 re 模块实现。正则表达式模式被编译成一系列的字节码，然后由用 C 编写的匹配引擎执行。

生活中处处都是正则：

比如我们描述：4条腿你可能会想到的是四条腿的动物或者桌子，椅子等

继续描述：4条腿，活的就只剩下四条腿的动物这一类了

正则表达式格式

re.findall(pattern,string,flags)

pattern：正则表达式

string：被匹配的字符串

flags

匹配原理

匹配字符中的alex

print(re.findall('alex','my name is alex alex is DSB'))

PS：从字符串中找出符合规则的，正则表达式‘alex’就是规则，程序就会先从字符串第一个字符开始匹配，没有匹配上则往后走一个，如果遇到第一个字符匹配成功，则开始从成功被匹配的字符开始往后匹配第二个字符，如不成功则直接往后走一个字符，从头开始匹配，直到表达式全部匹配成功，如全部没有匹配成功则

正则符号对应的功能

正则匹配（findall方法）

import re  #调用re模块

findall方法返回的是一个列表，所有符合表达式的值都存在这个列表中

转义符号 \(取消特殊字符的意义)
print(re.findall('a\.c','a.c a1c aac aAc'))

PS：加上转义符号 \ 就会变成普通符号

字符串末尾匹配 $

print(re.findall('DSB$','alex my name is alex alex is DSB '))  #  $ 表示匹配字符串的末尾

匹配任意字符  .

print(re.findall('a.c','abc a c a1c aaaaaaac a\nc a\tc',re.DOTALL))  # . 代表匹配一个字符,这一个字符可以是除了\n以外的任意字符

匹配指定范围字符 []

print(re.findall('a[0-9]c','a1c a2c aac aaaac aAc'))  #  [ ] 代表匹配一个字符,这一字符必须是指定范围内的,[0-9] [a-zA-Z]，只要ac中间是匹配项都会获取
print(re.findall('a[A-Z]c','a1c a2c aac aaaac aAc'))  #ac中间是大写字母都会获取
print(re.findall('a[A-Za-z]c','a1c a2c aac aaaac aAc')) #ac中间是字母，包含大小写均可
print(re.findall('a[A-Za-z][A-Za-z]c','a1c a2c aac aaaac aAc')) # ac中间两个字符必须是大小写字母
print(re.findall('a[+*/-]c','a-c a+c a*c a/c aaac a1c asadfac'))  
print(re.findall('a[^+*/-]c','a-c a+c a*c a/c aaac a1c asadfac'))

PS:正则表达式时候， - 这个符号如果放在中间则表示是范围的意思，所以需要匹配横杠时候放左右两面即可

重复匹配  ? 和 * 和 + 和 {n,m}

print(re.findall('ab?','a ab abb abbb abbbbbbb a1b a+b'))  # ？ 左边b这一个字符出现0次或1次

print(re.findall('ab*','a ab abb abbb abbbbbbb a1b a+b'))  # * 左边b这一个字符出现0次或无穷次

print(re.findall('ab+','a ab abb abbb abbbbbbb a1b a+b'))  # + a后面至少有一个b，如果没有则匹配不成功，如果有则表示有多少拿多少

print(re.findall('ab{0,3}','a ab abb abbbb ')) # {n,m} n就是设定表达式右边的数值b出现次数，m就是b出现次数上限，如果m为空就是无穷次

贪婪匹配  .*

print(re.findall('a.*b','a1b22222222b')) #['a1b22222222b']  # .*  默认为贪婪匹配

PS：从a开始就往右面一直找，直到找到最远的b为止

PS：.*合并到一起是一个组合和单纯的.是不一样的意思

 

非贪婪匹配  .*?（推荐使用）

print(re.findall('a.*?b','a1b22222222b'))  #  *？是组合在一起使用的，这里的？只是单纯的非贪婪模式的表示，和重复匹配里的？毫无关系

PS：从a开始找最近的b

或者匹配 |
print(re.findall('company|companies','Too many companies have gone bankrupt, and the next one is my company'))  #查找公司的单词，匹配多个条件

分组法

print(re.findall('compan(?:y|ies)','Too many companies have gone bankrupt, and the next one is my company'))  #分组的开头加？：这是一个固定的用法，表示所取得结果包括组内组外，如果不加？：则表示所取得结果就是组内匹配成功的

print(re.findall('href="(.*?)"','<a href="https://www.baidu.com/1.mp4"><p>"哈哈哈"</p><a href="https://www.baidu #查找网页链接

PS：|是或者的意思

PS：分组法括号前面的是辅助匹配条件，这个条件达到后再去匹配括号里面的，括号里相同的条件值会被取出

正则表达实例

取出表达式中的所有数字

print(re.findall('\D?(\-?\d+\.?\d*)',"1-12*(60+(-40.35/5)-(-4*3))"))

匹配逻辑

先设定 \D?  要判定是否是负数，- 号的前面必须是非数字（也就是括号），所以优先设定一个非数字匹配而且只出现1次  #这是一个辅助匹配

\-?  然后再设定减号出现1次或0次来匹配负数（用转义符 \ 将 - 变成普通符号）

先用 \d 匹配任意数字，然后再设定一个条件 +至少出现一次

用 \.匹配普通字符 .  （用转义符将 . 变成普通的字符 .）去匹配数字.后面的字符 ，加上？设定出现0次或1次

然后用 \d* 匹配无穷个普通数字  （数字后面的小数点不一定是必须出现的，整数肯定是没有的，只有浮点数小数点后面跟数字）小数点后面可能出现无穷的数字

最后将'\D? 后面的表达式全部用（）括起来，使用分组法去匹配

取出a\c 这个字符串

print(re.findall('a\\\c','abc a1c a c a\c'))

PS：\在正则表达式中是转义的意思，所以不能单用一个\去匹配，必须用转义符将\转义成普通字符串，如果只用一个 \ 去转义，则程序会默认把\c识别成一组进行转义，由于Python解释器在读取的时候有一个解析过程，即a\\\c解析后就是a\\c,\\就表示普通的 \ 这个符号，所以要加两个\\

re模块的其他方法

search方法

和findall一样的功能都是查找字符串，findall返回的是一个列表，但是search会返回一个对象，并且告诉你这个对象的索引范围位置，但是只找最前面的一个，所以这个方法通常用来判断字符串里面有没有符合我设定规则的，如果有则不会再找下去，没找到就返回None

print(re.search('alex','myalex alex is DSB'))

serach下的.group功能用来返回查找的对象，即返回serach匹配成功的对象，如果对象不存在则报错

print(re.search('alex','myalex alex is DSB').group())

search下的match功能，match表示从头开始匹配，等同于 ^ 这个符号

print(re.search('^alex','alex alex is DSB'))  #加一个 ^ 这个符号则表示从头开始匹配

print(re.match('alex','alex alex is DSB').group())   #match和^一样都是从头开始匹配

re.split方法

正则表达式中的切分法

info='a:=-b*(c'  #将变量中的字母切分出来

print（re.split('[:=*(-]',info)）  #直接切分后返回的列表中会有空字符

res=[item for item in re.split('[:=*(-]',info) if len(item) != 0]  #用列表表达式可以剔除空字符
print(res)

PS：如果直接切分会在字典中出现空字符，配合列表解析加判定过滤即可，为什么会出现空字符，因为在分割时候如果遇到表达式中的符号，则左右都是空，则会将空字符放入列表

sub方法（这个方法下flags有很多种可供选择）

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

re.sub 用于替换字符串的匹配项。如果没有匹配到规则，则原字符串不变。

pattern：正则表达式

repl：替换后的字符串

string：需要处理的字符串

count:替换多少次，默认是0，从头到尾做替换

flags：匹配模式

替换字符串中的字符

msg='alex my name is alex alex alex is hahahah'

print(re.sub('^alex','ALEX',msg)) #加^ 则表示值替换开头的

print(re.subn('alex','ALEX',msg)) #返回一个替换后的内容元祖，并且告诉你替换了几处

print(re.sub('alex','SB',msg,flags=re.I))  # 指定模式 re.I 则是表示省略大小写

PS：正则表达式的替换操作，加^这个符号则可以控制替换开头一个

PS：sbu比replace强大的地方就是可以指定替换位置，而replace不能控制

 

匹配出所有每一行末尾指定字符

msg="""
a1231231231231egon
123123sadfsadf2143egon
sdafljsalfdjerwqregon
"""
print(re.findall('egon$',msg,flags=re.M))  #re.M是多行的意思

了解利用sub将字符串替换位置

msg="my name is"

msg="单词1 单词2 单词3"

msg="单词3 单词2 单词1"

print(re.sub('([a-zA-Z]+)([^a-zA-Z]+)([a-zA-Z]+)([^a-zA-Z]+)([a-zA-Z]+)',r'\5\2\3\4\1',msg))

PS:将每一个单词用（）进行分组，每一个分组对应一个位置，最后将分组的序号进行排位就行

PS: ^就是取反的意思，即不是字母

compile方法

可以自定义一个正则表达式如果一个正则表达式常用，则可以用compile方法定义成一个变量
pattern=re.compile('href="(.*?)"')  #这里自定义正则表达式
print(pattern.findall('<a href="https://www.baidu.com/1.mp4"><p>"哈哈哈"</p><a href="https://www.baidu.com/2.mp4">'))
print(pattern.findall('<a href="https://www.baidu.com/1.mp4"><p>"哈哈哈"</p><a href="https://www.baidu.com/2.mp4">'))
print(pattern.findall('<a href="https://www.baidu.com/1.mp4"><p>"哈哈哈"</p><a href="https://www.baidu.com/2.mp4">'))
PS：在调用时候直接将字符串传入则可以做匹配