8. 正则表达式

正则表达式

• 在处理字符串时，需要查找符合某些复杂规则的字符串，正则表达式就是用于描述这些规则的工具

一、正则表达式语法

• 行定位符：用来描述字符串的边界 –>用来匹配一整行

  符号	匹配位置
  ^	行的开始
  $	行的结尾

  • ^tm : 可以匹配行 tm equal Tomorrow Moon
  • tm$：可以匹配行 Tomorrow moon tm

• **元字符：**用来匹配的字符标记

  代码	说明
  .	匹配除换行外的任意字符
  \w	匹配字母、数字、下划线、汉字
  \s	匹配任意空白符
  \d	匹配数字
  \b	匹配单词的开始、结束

  • \bmr\w*\b：匹配一个以mr为开头的单词，比如：mrsoft、mr123456

• **重复：**用来匹配特定数量的元字符，称作限定符

  限定符	说明	举例
  ?	匹配前面的字符一次、零次	colou?r –> 匹配color、colour
  +	匹配前面的字符一次、多次	go+gle –> 匹配范围gogle ~ go…gle
  *	匹配前面的字符零次、多次	go*gle –> 匹配范围ggle ~ go…gle
  {n}	匹配前面的字符n次	go{2}gle –> 匹配google
  {n,}	匹配前面的字符至少n次	go{2,}gle –> 匹配范围 google ~ goo…gle
  {n, m}	匹配前面的字符[n, m]次	employe{0,2} –> 匹配employ, employe, employee

• **字符类：**用来匹配没有预定义元字符的字符集合，使用[] 列举出来即可

  • [aeiou]：匹配任何一个英文元音字母
  • [,?!]：匹配三个符号中的其中一个
  • [0-9]： 匹配一个数字
  • [a-z0-9A-Z]：匹配数字或字母
  • [^a-zA-Z] : 匹配一个不是字母的字符， ^放在括号里面表示排除的意思
  • [一-龥]： 匹配一个汉字

  这种字符类的匹配方式，是可以同重复限定符配合使用的

• 选择字符：匹配包含条件选择逻辑的字符

  • 身份证号：可能为15为全数字、18位全数字、17为数字加x或X

    (^\d{15}$)|(^\d{18}$)|(^\d{17}(x|X)$)
    

    上述使用 | 来表示选择性匹配，使用^ $限定开头和结尾

• **转义字符：**匹配特殊的元字符，主要是针对 . * ? \ ( ) { }

  • IP地址：格式通常为xxx.xxx.xxx.xxx

    [1-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}
    

    上述使用 \. 来匹配IP地址中的 .

• **小括号：**改变功能字符的限定范围

• (thir | four)th: 匹配 thirth、fourth

• (\.[1-9]{1,3}){3}：匹配(\.[1-9]{1,3})三次

二、python中的正则表达式

**说明：**python在使用正则表达式时，是将其作为模式字符串使用的，简而言之就是匹配模式是字符串类型，这就导致部分元字符，如\b 会被python解读为python语言的转义字符，故而要使用\b表示正则模式字符串，为了比较出现大量的特殊字符、反斜杠，常采用原生字符串 r'\b'

• **匹配字符串：**re模块提供match() search() findall()方法进行字符串匹配

  • 使用match()方法匹配字符串：re.match(pattern, string, [flags]) 从string起始处开始匹配，匹配成功返回Match对象，否则返回None

    import re
    pattern = r'mr_\w+' # 匹配一个mr_开头的字符串
    string = 'MR_SHOP'
    flag = re.I # 不区分大小写
    match = re.match(pattern, string, flag)
    # 输出： 
    
    string = 'aaaMR_shop'
    print(re.match(pattern, string, flag))
    # 输出： None
    

    通过返回的Match对象可以查看相关数据

    match.start() # 匹配值的起始位置 
    match.end() # 匹配值的结束位置
    match.span() # 匹配位置的元组
    match.string # 进行匹配的字符串
    match.group() # 匹配得到的结果
    

  • 使用search(pattern, string)方法匹配字符串：该方法用于在整个字符串中搜索第一个匹配值，并返回Match对象，其余与match()方法相同

  • **使用findall(pattern, string)方法匹配字符串：**该方法由于在整个字符串中搜索所有符合正则表达式的字符串，并以列表形式返回匹配结果，而不是Match对象。

  • **替换字符串：**re模块提供sub()方法实现字符串的替换，re.sub(pattern, repl, string, count, flags) 表示按着pattern对string进行匹配，并替换成repl字符串。

  • count： 可选参数–>替换的最大次数，默认为0表示全部替换

  • flags：可选参数 –> 用于控制匹配方式，如是否区分大小写等（flag=re.I表示不区分大小写）

• **分割字符串：**re模块提供split()方法实现字符串的分割，re.split(pattern, string, [maxsplit], [flags]) 表示按着pattern对string进行分割，返回分割后的列表

  • maxsplit: 可选参数 –> 最大查分次数，默认全拆

  

  上述代码展示了，对网址按 ? $进行分割的实现以及具体的结果

三、实战中的相关问题

1. 对txt的每行进行匹配时，输出匹配结果时报错

• 由于进行匹配时往往会出现匹配失败返回的match为None的情况，就会对Match对象的属性输出报错，比如下述代码，如果没有匹配到那么match就会是None，代码就会报错

  match = re.match(pattern, string, flag)
  print(match.group())
  

• 正确的做法是加一个检测机制，如下所示，这样就保证了只有正确匹配到时才会输出

  match = re.match(pattern, string, flag)
  if match:
  	print(match.group())
  

• 正确的做法是加一个检测机制，如下所示，这样就保证了只有正确匹配到时才会输出

  match = re.match(pattern, string, flag)
  if match:
  	print(match.group())