Python 正则表达式提高

re模块的高级用法

search

re.search(pattern, string[, flags])

​ 若string中包含pattern子串，则返回Match对象，否则返回None，注意，如果string中存在多个pattern子串，只返回第一个。

re.search()：方法用来精确匹配并提取第一个符合规律的对象，而对象内容的提取则使用search方法的属性group()来实现；

group(0)：则是整个匹配的内容，返回一个实体对象；group(1)则是匹配第一个括号里面的内容，取出括号里匹配的实体对象；

group(2)：则是匹配第二个括号里面的内容，取出括号里匹配的实体对象；group(0,1,2)则返回一个实体对象的元组；

​ 需求：匹配出文章阅读的次数

#coding=utf-8
import re

>>> ret = re.search(r"\d+", "阅读次数为 9999")
>>> ret.group()
'9999'

search两种情况

有分组：

>>> origin = "hello alex alix bcd dsfa lefg abc 199"
>>> ret= re.search("a(\w+)",origin)
>>> ret
<_sre.SRE_Match object; span=(6, 10), match='alex'>
>>> ret.group()
'alex'
>>> ret.groups()
('lex',)
>>> ret = re.search("(?P<key1>a)(?P<key2>(\w+))",origin)
>>> ret.groupdict()
{'key1': 'a', 'key2': 'lex'}

无分组：

>>> origin = "hello alex alix bcd dsfa lefg abc 199"
>>> ret = re.search("ali\w+",origin)
>>> ret.group()
'alix'
>>> ret.groups()
()
>>> ret.groupdict()
{}

findall

re.findall(pattern, string[, flags])

返回string中所有与pattern相匹配的全部字串，返回形式为数组。

• group()：母串中与模式pattern匹配的子串；
• group(0)：结果与group()一样；
• groups()：所有group组成的一个元组，group(1)是与patttern中第一个group匹配成功的子串，group(2)是第二个，依次类推，如果index超了边界，抛出IndexError；
• findall()：返回的就是所有groups的数组，就是group组成的元组的数组，母串中的这一撮组成一个元组，那一措组成一个元组，这些元组共同构成一个list，就是findall()的返回结果。另，如果groups是只有一个元素的元组，findall的返回结果是子串的list，而不是元组的list了。

需求：统计出python、c、c++相应文章阅读的次数

#coding=utf-8

>>> ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")
>>> ret
['9999', '7890', '12345']

>>> re.findall("",'abc')
['', '', '', '']
#   如果正则能有空的匹配的话，那么匹配字符串最后还会匹配到一个空

1.当给出的正则表达式中带有多个括号时，列表的元素为多个字符串组成的tuple，tuple中字符串个数与括号对数相同，字符串内容与每个括号内的正则表达式相对应，并且排放顺序是按括号出现的顺序。

2.当给出的正则表达式中带有一个括号时，列表的元素为字符串，此字符串的内容与括号中的正则表达式相对应（不是整个正则表达式的匹配内容）。

3.当给出的正则表达式中不带括号时，列表的元素为字符串，此字符串为整个正则表达式匹配的内容。

sub 将匹配到的数据进行替换

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

• pattern，表示正则中的模式字符串

• repl，就是replacement，被替换的字符串;repl可以是字符串，也可以是函数。

  • 当repl是字符串时，其中的任何反斜杠转义字符，都会被处理的。\n：会被处理为对应的换行符；

    \r：会被处理为回车符； 反斜杠加g以及中括号内一个名字，即：\g，对应着命了名的组，named group

  • 当repl是函数时，函数会被匹配的对象调用，并且它的返回值会被插入到文本中，如方法2

• string，即表示要被处理，要被替换的那个string字符串。

• count，模式匹配后替换的最大次数；count必须是非负整数。缺省值是0表示替换所有的匹配。

需求：将匹配到的阅读次数加1

方法1：

#coding=utf-8

>>> ret = re.sub(r"\d+", '998', "python = 997")
>>> ret
'python = 998'

方法2：

#coding=utf-8

>>> def add(temp):
    strNum = temp.group()
    num = int(strNum) + 1
    return str(num)
... ... ... ...
>>> ret = re.sub(r"\d+", add, "python = 997")
>>> ret
'python = 998'

>>> ret = re.sub(r"\d+", add, "python = 99")
>>> ret
'python = 100'

split 根据匹配进行切割字符串，并返回一个列表

str.split(str="", num=string.count(str))

通过指定分隔符对字符串进行切片，如果参数num 有指定值，则仅分隔 num 个子字符串

• str -- 分隔符，默认为所有的空字符，包括空格、换行(\n)、制表符(\t)等。
• num -- 分割次数。

需求：切割字符串“info:xiaoZhang 33 shandong”

#coding=utf-8

>>> ret = re.split(r":| ","info:xiaoZhang 33 shandong")
>>> ret
['info', 'xiaoZhang', '33', 'shandong']

python贪婪和非贪婪

　　Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；

　　非贪婪则相反，总是尝试匹配尽可能少的字符。

　　在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。

>>> s="This is a number 234-235-22-423"
>>> r=re.match(".+(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'4-235-22-423'
>>> r=re.match(".+?(\d+-\d+-\d+-\d+)",s)
>>> r.group(1)
'234-235-22-423'

　　　正则表达式模式中使用到通配字，那它在从左到右的顺序求值时，会尽量“抓取”满足匹配最长字符串，在我们上面的例子里面，“.+”会从字符串的启始处抓取满足模式的最长字符，其中包括我们想得到的第一个整型字段的中的大部分，“\d+”只需一位字符就可以匹配，所以它匹配了数字“4”，而“.+”则匹配了从字符串起始到这个第一位数字4之前的所有字符。

　　解决方式：非贪婪操作符“？”，这个操作符可以用在"*","+","?"的后面，要求正则匹配的越少越好。

>>> re.match(r"aa(\d+)","aa2343ddd").group(1)
'2343'
>>> re.match(r"aa(\d+?)","aa2343ddd").group(1)
'2'
>>> re.match(r"aa(\d+)ddd","aa2343ddd").group(1)
'2343'
>>> re.match(r"aa(\d+?)ddd","aa2343ddd").group(1)
'2343'