正则表达式：文本处理中的瑞士军刀

正则表达式是用于提取字符串规律的规则，通过特定语法表达，以匹配符合该规律的字符串。它具有通用性，不仅适用于Python，也可用于其他编程语言。

下面我用Python的re模块来进行实战演示：（记得import re）

re模块的主要功能有匹配、搜索、分割、匹配和替换......

re模块的方法分为两大类：

1. 直接使用re模块的方法
2. 使用正则表达式对象

菜鸟营地

findall

findall(pattern,string[,flags])
# pattern：指定的匹配模式 string：输入的字符串 
# flags：可选参数（用于表示匹配过程中的一些选项）
# 该函数返回值是一个列表

常用pattern 

' . '：通配符，代表任意字符（\n除外），一个点一个字符，例如：

ret = re.findall('m...e', 'cat and mouse') 
print(ret)#['mouse']

' * '：重复，运行*之前的一个字符重复多次，例如：

ret1 = re.findall('o*i', 'oooooi and bye')
print(ret1)#['oooooi']

' ? '：也是重复匹配，允许？之前的字符只能重复0次或者1次，例如：

ret2 = re.findall('ca?t', 'ct cat caat caaat')
print(ret2)#['ct', 'cat']

' + '：也是重复匹配，但是至少重复1次，不能是0次，例如：

ret2 = re.findall('ca+t', 'ct cat caat caaat')
print(ret2)#['cat', 'caat', 'caaat']

' {} '：也是重复匹配，但是匹配次数可以自行设置，次数可以是一个数或者范围，例如：

{m}	匹配前一个字符出现m次
{m,}	匹配前一个字符至少出现m次
{m,n}	匹配前一个字符出现m-n次

ret3 = re.findall('ca{2}t', 'ct cat caat caaat caaaat')
print(ret3)#['caat']
ret3 = re.findall('ca{2,}t', 'ct cat caat caaat caaaat')
print(ret3)#['caat', 'caaat', 'caaaat']
ret3 = re.findall('ca{2,3}t', 'ct cat caat caaat caaaat')
print(ret3)#['caat', 'caaat']

' ^ '：必须从字符串的起始位置开始匹配，例如：

ret5 = re.findall('^m...e', 'cat and mouse')
print(ret5)#[]
ret6 = re.findall('^m...e', 'mouse and cat')
print(ret6)#['mouse']

' $ '：值从最后开始匹配，例如：

ret7 = re.findall('m...e$', 'cat and mouse')
print(ret7)#['mouse']

' | '：两个模式进行或的匹配，例如：

ret8 = re.findall('cat|mouse', 'cat and mouse')
print(ret8)#['cat', 'mouse']

' \ '：转义字符，例如：

ret9 = re.findall('/^m...e', '^mouse and cat')
print(ret9)#[]

字符	功能
\d	匹配数字，即0-9
\D	匹配非数字
\s	匹配空白，即空格，tab键
\S	匹配非空白
\w	匹配单词、字符
\W	匹配非单词字符
[ ]	匹配[ ]中列举的字符的其中一个

ret = re.findall('12[qaz]','13qwe12qwe')
print(ret)#['12q']

[^789]：不匹配789中的一个，^是非的意思 

ret = re.findall('12[^qaz]','13qwe12pqwe')
print(ret)#['12p']

 

\b	匹配一个单词的边界（字母数字和非字母数字的边界）
\B	匹配非单词的边界

ret = re.findall('oi\\b','oi.55llhihibye')
print(ret)#['oi']

即oi的右边不能有字母或数字！ 

ret = re.findall('oi\\B','oi55llhihibye')
print(ret)#['oi']

即oi的右边必须有字母或数字！ 

常用flags 

•  re.IGNORECASE：缩写re.I                表示忽略大小写

ret = re.findall('m...e', 'cat and MOUSE')
print(ret)#[]
ret = re.findall('m...e', 'cat and mouse',re.IGNORECASE)
print(ret)#['mouse']

•   re.VERBOSE：缩写re.X                     表示忽略模式中的空格，并可以使用#注释代码，提高    可读性

phoneRegex = re.compile(r'''( (\d{3}|\(\d{3}\))? # area code
(\s|-|\.)? # separator
\d{3} # first 3 digits
(\s|-|\.) # separator
\d{4} # last 4 digits
(\s*(ext|x|ext.)\s*\d{2,5})? # extension
)''',re.VERBOSE)

可以按意义，分部分写。一部分写一行，后面加上注释。执行时，注释会被忽略。同时，多余的空白也会被忽略。如果用以前的方式写，则不小心写的空白，可能会改变正则表达式的意义 

•   re.DOTALL：缩写re.S                     表示使元字符也匹配换行符

a = """hhhhoirerej     
jjjioioeer"""
print(re.findall(r'oi.*oi',a))#[]
print(re.findall(r'oi.*oi',a,re.S))#['oirerej     \njjjioi']

match

re.match(pattern, string)# pattern  匹配的正则表达式 string  要匹配的字符串

re.match()必须从字符串开头匹配！match方法尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。 

a = re.match('bbbtest','bbbtestasdtest')
print(a)                             #返回一个匹配对象  <re.Match object; span=(0, 7), match='bbbtest'>
print(a.group())                     #返回test，获取不到则报错 bbbtest
print(a.span())           #返回匹配结果的位置，左闭右开区间 (0, 7)
print(re.match('test','atestasdtest'))  #返回None None

search 

匹配整个字符串，并返回第一个成功的匹配

sub

替换指定的字符串 

re.sub(pattern,repl,string)
#pattern:要替换的数据 repl:替换成什么 string:源数据

print(re.sub('cnm','hhhh','cnmcnms'))#hhhhhhhhs

split 

对字符串进行分割，并返回一个列表

s = "https:bbbsssd.com"
print(re.split("\.",s))           #以.号进行分割['https:bbbsssd', 'com']
print(re.split(":|\.",s))     #以:或者.进行分割['https', 'bbbsssd', 'com']
print(re.split(r",|:|-|%|\.",s))    #找不到的分隔符就忽略['https', 'bbbsssd', 'com']

贪婪 

python里的数量词默认是贪婪的，总是尝试尽可能的匹配更多的字符。python中使用?号关闭贪婪模式 

print(re.match(r"qq\d+","qq666666"))   #会尽可能多的去匹配\d<re.Match object; span=(0, 8), match='qq666666'>
print(re.match(r"qq\d+?","qq66666777"))  #尽可能少的去匹配\d<re.Match object; span=(0, 3), match='qq6'>

华山论剑

提取图片地址

import re
a='<img src="https://act-webstatic.mihoyo.com/hk4e/e20200928calculate/item_icon_u8f88e/32ea78b3df5ba600611c015475e648a4.png?x-oss-process=image%2Fresize%2Cw_104%2Fquality%2CQ_90%2Fformat%2Cwebp" class="recommend-popup__item-img">'
re = re.search("src=\"https.*\"",a)
print(re.group())#src="https://act-webstatic.mihoyo.com/hk4e/e20200928calculate/item_icon_u8f88e/32ea78b3df5ba600611c015475e648a4.png?x-oss-process=image%2Fresize%2Cw_104%2Fquality%2CQ_90%2Fformat%2Cwebp" class="recommend-popup__item-img"
#因为python是贪婪的
a='<img src="https://act-webstatic.mihoyo.com/hk4e/e20200928calculate/item_icon_u8f88e/32ea78b3df5ba600611c015475e648a4.png?x-oss-process=image%2Fresize%2Cw_104%2Fquality%2CQ_90%2Fformat%2Cwebp" class="recommend-popup__item-img">'
re = re.search(r'src="https\S+"', a)
if re:print(re.group())#src="https://act-webstatic.mihoyo.com/hk4e/e20200928calculate/item_icon_u8f88e/32ea78b3df5ba600611c015475e648a4.png?x-oss-process=image%2Fresize%2Cw_104%2Fquality%2CQ_90%2Fformat%2Cwebp"