7.正则表达式

1.正则表达式：

正则表达式是处理字符串的强大工具，它有自己特定的语法结构，通过正则表达式可以很方便的实现字符串的检索、替换、匹配验证等。

• 通用的字符串表达框架；
• 简洁表达一组字符串的表达式；
• 针对字符串表达“简洁”和“特征”思想的工具；
• 判断某字符串的特征归属。

正则表达式就是通过一定的规则将特定文本提取出来。正则表达式在文本处理中的应用主要为以下三方面：

• 表达文本类型的特征；
• 同时查找或替换一组字符串；
• 匹配字符串的全部或部分。

正则表达式是由字符和操作符构成的一组表达式。
下面是正则表达式的常用操作符：

下面是一些经典正则表达式实例，可以进一步加深对正则表达式的理解：

2.Re库：

Re库是Python的标准库，提供了整个正则表达式的实现，利用这个库可以在python中使用正则表达式，主要用于字符串匹配。
通过import re命令调用。
Re库使用raw string类型（原生字符串类型）来表达正则表达式，表示为r'text'，例如：
中国地区的邮政编码可以表示为，r'[1-9]\d{5}'。
raw string类型是指不包含转移符的字符串
Re库也可以使用string类型来表达正则表达式，会相对繁琐（出现斜杠的地方都需要增加斜杠表示），例如：
中国地区的邮政编码可以表示为，[1-9]\\d{5}。

Tips：
因此，建议当正则表达式中包含转义符的时候，使用raw string类型。

Re库主要的功能函数有以下几种：

更多内容可以前往Re库官方文档查看。

2.1 match()函数

re.match(pattern,string,flag=0)
在一个字符串的开始位置匹配正则表达式，返回match对象。
pattern——正则表达式的字符串或原生字符串表示；
string——待匹配字符串；
flag——标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

返回的match对象，有两个方法：
group()方法可以输出匹配到的内容；
span()方法可以输出匹配的范围，及匹配到的内容在原字符串中的索引位置。

另外，可以使用()标记一个子表达式的开始和结束为止，因为可以使用()将想提取的字符串括起来，被标记的每个子表达式依次对应每个分组，调用group()方法时传入索引即可获取提取结果。

实例展示：

import re

content = '''This 123456 is a number demo,this 9876 is another number'''

match = re.match(r'^Th.*?(\d+).*?(\d+).*?number$' , content)
print(match.group())
print(match.span())
print(match.group(1))
print(match.group(2))

运行结果如下：

This 123456 is a number demo,this 9876 is another number
(0, 56)
123456
9876

需要注意的是，match()函数是从字符串的开头就开始匹配的，一旦开头不匹配，整个匹配就会失败。
例如，下面代码运行后，会报AttributeError: 'NoneType' object has no attribute 'group'错误，说明匹配结果为None，并没有匹配成功。

import re

content = '''This 123456 is a number demo,this 9876 is another number'''

match = re.match(r'^h.*?(\d+).*?(\d+).*?number$' , content)
print(match.group())
print(match.span())

• 修饰符

在正则表达式中，flag参数为标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。
当上面的字符前面加了换行符，同样的正则表达式则无法匹配到字符串。
这是因为正则表达式匹配的内容是除换行符以外的任意字符，因此会导致匹配失败。
这时就需要添加修饰符re.S来修正错误。

import re

content = '''This
123456 is a number demo,this 9876 is another number'''

match = re.match(r'^Th.*?(\d+).*?(\d+).*?number$' , content , re.S)
print(match.group())
print(match.span())
print(match.group(1))
print(match.group(2))

2.2 search()函数

re.search(pattern,string,flag=0)
在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象。
pattern——正则表达式的字符串或原生字符串表示；
string——待匹配字符串；
flag——标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

与match()函数不同，search()函数在匹配时会扫描整个字符串，然后返回第一个匹配成功的结果。，也就是说，正则表达式可以是字符串的一部分。

Tips：
为了匹配方便，建议使用search()函数。

实例展示：

import re

content = '''This 123456 is a number demo,this 9876 is another number'''

result = re.search(r'(\d+).*?(\d+).*?number$' , content)
print(result)
print(result.group())
print(result.span())
print(result.group(1))
print(result.group(2))

运行结果如下：

<_sre.SRE_Match object; span=(5, 56), match='123456 is a number demo,this 9876 is another numb>
123456 is a number demo,this 9876 is another number
(5, 56)
123456
9876

2.3 findall()函数

re.findall(pattern,string,flag=0)
搜索字符串，以列表类型返回全部能匹配的子串。
pattern——正则表达式的字符串或原生字符串表示；
string——待匹配字符串；
flag——标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

实例展示：

import re

content = '''This 123456 is a number demo,this 9876 is another number'''

result = re.findall(r'(\d+)' , content)
print(result)

运行结果如下：

['123456', '9876']

2.4 split()函数

re.split(pattern,string,maxsplit=0,flag=0)
将一个字符串按照正则表达式匹配结果进行分割，返回列表类型。
pattern——正则表达式的字符串或原生字符串表示；
string——待匹配字符串；
maxsplit——最大分割数，剩余部分作为最后一个元素输出；
flag——标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

实例展示：

import re

content = '''This 123456 is a number demo,this 9876 is another number'''

result_1 = re.split(r'\d+' , content)
print(result_1)

result_2 = re.split(r'\d+' , content , maxsplit=1)
print(result_2)

运行结果如下：

['This ', ' is a number demo,this ', ' is another number']
['This ', ' is a number demo,this 9876 is another number']

2.5 finditer()函数

re.finditer(pattern,string,flag=0)
搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象。
pattern——正则表达式的字符串或原生字符串表示；
string——待匹配字符串；
flag——标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

实例展示：

import re

content = '''This 123456 is a number demo,this 9876 is another number'''

result = re.finditer(r'\d+' , content)
print(result)
print('-------')
for r in result:
    print(r)
    print(r.span())
    print(r.group())
    print('-------')

运行结果如下：

<callable_iterator object at 0x00000229F5A4F9B0>
-------
<_sre.SRE_Match object; span=(5, 11), match='123456'>
(5, 11)
123456
-------
<_sre.SRE_Match object; span=(34, 38), match='9876'>
(34, 38)
9876
-------

2.6 sub()函数

re.sub(pattern,repl,string,count=0,flag=0)
在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串。
pattern——正则表达式的字符串或原生字符串表示；
repl——替换匹配字符串的字符串；
string——待匹配字符串；
count——匹配的最大替换次数；
flag——标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

实例展示：

import re

content = '''This 123456 is a number demo,this 9876 is another number'''

result = re.sub(r'\d+' , 'code' , content)
print(result)

运行结果如下：

This code is a number demo,this code is another number

2.7 compile()函数

re.compile(pattern,flag=0)
compile()可以将正则字符串编译成正则表达式对象，以便在后面的匹配中使用。
pattern——正则表达式的字符串或原生字符串表示；
flag——标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。

因此Re库有两种等价的用法：

mport re

content_1 = '''This 123456 is a number demo,this 9876 is another number'''
content_2 = '''This 6666 is a number demo,this 9999 is another number'''

# 函数式用法：一次性操作
result_1 = re.search(r'(\d+).*?(\d+).*?number$' , content_1)
print(result_1.group(1))

result_2 = re.search(r'(\d+).*?(\d+).*?number$' , content_2)
print(result_2.group(1))
print('-----------')

# 面向对象用法：编译后的多次操作
pattern = re.compile(r'(\d+).*?(\d+).*?number$')

result_3 = pattern.search(content_1)
print(result_3.group(1))

result_4 = pattern.search(content_2)
print(result_4.group(1))

运行结果如下：

123456
6666
-----------
123456
6666