Python（三）提取信息必学——正则表达式

第一小乔乔

进一步，是一步。一起工作进步，厨艺精进，生活美满。

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。

转载自 Python正则表达式实例详解_程序员阿城的博客-CSDN博客_python正则表达式详解

阅读一字符解释、二语法解释、三习题部分即可，需要文字详细解释的请直接进入第四部分正文循序渐进哟。

一、字符含义总结如下：

二、语法：

match()和search()都只匹配出一个符合条件的字符串，若想要所有，可以使用re.findall()

三、仔细研读上面的表格后，实战/习题部分：

# 用[]{}判断密码是否符合要求 ：密码是由数字和字母组成，并且位数是6-16位

re_str = r'[\da-zA-Z]{6,16}'

##用split按-或者空白格分割字段

str1 = 'ahsb1sssa8-jjhd7nhs+90nsjhf3-4hh h7+8kjj-sfav'
print(re.split(r'[-+\s]', str1))

结果：['ahsb1sssa8', 'jjhd7nhs', '90nsjhf3', '4hh', 'h7', '8kjj', 'sfav']

#用sub替换符合条件的关键词， 试试马赛克脏话（想起农药不能痛骂队友的愤怒）

str1 = '智      障沙雕,你在干嘛？逼, 后视镜，妈的加扣扣上'
print( re.sub(r'傻\s*叉|逼|沙雕|fuck|妈的|智\s*障', '*', str1))
## 结果：**,你在干嘛？*, 后视镜，*加扣扣上

##练练转义

re_str = r'\d{2}\=\d{2}'
print(re.fullmatch(re_str, '12=34'))

## findall返回符合表达式的子串

re_str = r'\d+k[a-d]+'
str1 = 'abc34kshd8923kabcshd9lkkk890kaa'
result = re.findall(re_str, str1)
print(result)  # ['8923kabc', '890kaa']
## 结果：['8923kabc', '890kaa']

四、详细正文-----------

一、正则表达式语法

正则表达式是用匹配或者描述字符串的工具。

用处：

a.判断字符串是否满足某个条件---判断输入的字符串是否是邮箱/手机号码。是否是ip地址

b.提取满足条件的字符串

c.字符串替换

Python中通过re模块中相应的方法来支持正则表达式的匹配、查找和替换等功能

from re import fullmatch

fullmatch(正则表达式字符串, 字符串) ---> 判断正则表达式和字符串是否完全匹配

正则表达式字符串: 就是一个字符串，字符串中是正则表达式语法。r'正则表达式'

正则表达式中包含两个部分，一个是正则语法对应的字符，二个是普通字符

1 .(点)(匹配任意字符)

一个.只匹配一个任意字符

# 匹配一个长度是3的字符串，第一个字符是'a', 第二个字符是任意字符，最后一个字符是b
re_str = r'a.b'
result = fullmatch(re_str, 'a|b')
print(result)
# 匹配一个长度是4，第一个字符和最后一个字符分别是a和b,中间两个字符是任意字符的字符串
re_str = r'a..b'
result = fullmatch(re_str, r'a\nb')
print(result)

2 \w(匹配字母数字下划线)

一个\w匹配一个字符

# 匹配一个第一个字符是数字字母或者下划线，后面三个字符是任意字符的字符串
re_str = r'\w...'
result = fullmatch(re_str, 'o8js')
print(result)

3 \s(匹配任意空白字符)

空白字符: 空格、制表符(\t)、回车(换行\n)等，都输入空白字符

一个\s匹配一个空白字符

# 匹配一个第一个字符是a,第二个字符是空白，最后一个字符b的字符串
re_str = r'a\sb'
result = fullmatch(re_str, 'a\nb')
print(result)

4 \d(匹配数字字符)

re_str = r'\d\d\d'
result = fullmatch(re_str, '282')
print(result)

5 \b(检测边界)

一个\b不会去匹配一个字符，而是单纯的检测\b出现的位置是否是单词边界

单词边界: 字符串开始和结尾、空格、换行、标点符号等，可以将两个单词隔开的字符都单词边界

re_str = r'\babc'
re_str = r'abc\b\saaa'  # 匹配一个字符串前三位是abc,第四位是空白字符，后面是aaa。并且要求c后面是单词边界
result = fullmatch(re_str, 'abc aaa')
print(result)

6 ^(检测是否是字符串开头)

re_str = r'^\d\d\d' # 判断一个字符串是否是三个数字开头

result = fullmatch(re_str, '123')
print(result)

7 $(检测是否是字符串结尾)

re_str = r'abc$'
result = fullmatch(re_str, 'abc')
print(result)

8 \W(匹配非字母、数字下划线)

re_str = r'\Wabc'
result = fullmatch(re_str, '#abc')
print(result)

9 \S(匹配非空白字符)

re_str = r'\S...'
result = fullmatch(re_str, '2jkh')
print(result)

10 \D(匹配非数字字符)

re_str = r'\D\w\w\w'
result = fullmatch(re_str, '#h7_')
print(result)

11 \B(检测是否不是单词边界)

re_str = r'and\BYou'
result = fullmatch(re_str, 'andYou')
print(result)

12 [] (匹配中括号中出现的任意一个字符)

一个[]匹配一个字符

[字符集] --> 匹配一个字符，这字符是字符集中的任意一个字符

例如：[abc], [\d+]

[字符1-字符2] --> 匹配一个字符，这个字符是Unicode编码值在字符1到字符2中的任意一个字符;要求字符1的编码值要小于字符2

例如：[1-9] --> 数字1到9 [a-z] --> 小写字母 [A-Z] --> 大写字母

[\u0031-\u0039] --> 数字1到9

[\u4E00-\u9fa5] --> 匹配所有的汉字

注意：-在中括号中，如果放在两个字符之间表示范围。

"""匹配一个字符串第一个字符是a或者b或c,后边三个a"""
re_str = r'[abc]aaa'
result = fullmatch(re_str, 'caaa')
print(result)
re_str = r'[1-4]\d\d\d'
result = fullmatch(re_str, '1989')
print(result)
re_str = r'[\u0031-\u0039][a-z]'
result = fullmatch(re_str, '1h')
print(result)
re_str = r'[\u4E00-\u9fa5][\u4E00-\u9fa5][\u4E00-\u9fa5]'
result = fullmatch(re_str, '就深刻')
print(result)
re_str = r'[91-]'
result = fullmatch(re_str, '-')
print(result)
# 匹配一个字符，是字母数字下划线或者是空白
re_str = r'[\w\s]'
result = fullmatch(re_str, 'u')
print(result)

13 [^字符集] (匹配一个不在字符集中的任意字符)

注意：^必须放在中括号中的最前面才有效

"""匹配一个四位的字符串，第一位不是abc中的任意一个，后面三位是任意字符"""
re_str = r'[^abc]...'
re_str = r'[^1-9]...'
result = fullmatch(re_str, '898i')
print(result)

二、正则表达式次数相关符号

from re import fullmatch

1. *(匹配0次或者多次)

字符* --> 字符出现0次或者多次

# 匹配0位或者多位的数字字符串
re_str = r'\d*'
print(fullmatch(re_str, '123'))
# 用一个正则表达式来检测一个标识符是否符合要求：数字字母下划线组成，数字不开头(位数至少1位)
re_str = r'[a-zA-Z_]\w*'
print(fullmatch(re_str, 'A'))

2. +(匹配一次或者多次)

匹配abc前面有一个或者多个数字的字符串

re_str = r'\d+abc'
print(fullmatch(re_str, '9abc'))

3. ?(匹配0次或者1一次)

re_str = r'a?123'
print(fullmatch(re_str, 'a123'))

练习：写一个正则表达式，匹配所有的整数（123, -2334, +9...可以匹配的，012， -023，+0122不能匹配）

re_str = r'[-+]?[1-9]\d*'
print(fullmatch(re_str, '1234'))

4. {}(指定次数)

{N} --> 匹配N次

{M,N} --> 匹配M到N次

{M,} --> 至少匹配M次

{,N} --> 最多匹配N次

re_str = r'\d{3}'
print(fullmatch(re_str, '123'))
re_str = r'\d{3,}'
print(fullmatch(re_str, '1234'))
re_str = r'\d{,3}'
print(fullmatch(re_str, '23'))
re_str = r'[a-z]{2,5}'
print(fullmatch(re_str, 'aajk'))
# 判断密码是否符合要求：密码是由数字和字母组成，并且位数是6-16位
re_str = r'[\da-zA-Z]{6,16}'

三、分之和分组

import re

1. |(分之)

条件1|条件2 --> 先用条件1去匹配，如果匹配成功就匹配成功。如果条件1匹配失败，用条件2去匹配。

注意：如果条件1匹配成功就不会用条件2再去匹配

re_str = r'[a-z]{3}|[A-Z]{3}'
print(re.fullmatch(re_str, 'AHD'))

能匹配成功时abc，d和aaa

re_str = r'abc|d|aaa'
print(re.fullmatch(re_str, 'aaa'))

'abc'+W/H/Y

re_str = r'abc(W|H|Y)'
print(re.fullmatch(re_str, 'abcY'))

2. ()(分组)

a.组合(将括号中的内容作为一个整体进行操作)

b.捕获 -- 使用带括号的正则表达式匹配成功后，只获取括号中的内容

c.重复 -- 在正则表达式中可以通过\数字来重复前面()中匹配到的结果。数字代表前第几个分组

a.组合

匹配一个字符串，以数字字母的组合出现3次

re_str = r'(\d[a-zA-Z]){3}'
print(re.fullmatch(re_str, '2h8h7j'))

b.捕获

re_str = r'(\d{3})abc'
print(re.fullmatch(re_str, '773abc'))
print(re.findall(re_str, 'euhasdhf873abcssjsja235abcu-03s834432abcjjsks'))

c.重复

re_str = r'([a-z]{3})-(\d{2})\2'
print(re.fullmatch(re_str, 'hsn-2323'))

3.转义符号

正则表达式中可以通过在特殊的符号前加\，来让特殊的符号没有意义

. --> 任意字符 . --> 字符.

--> 匹配一次或者多次 + --> 字符+

注意：在中括号有特殊功能的符号，只代表符号本身

\不管在哪儿都需要转义

-在[]外面没有特殊功能,在[]中要表示-本身，就不要放在两个字符之间

()需要转义

re_str = r'\d{2}\.\d{2}'
print(re.fullmatch(re_str, '12=34'))
re_str = r'\d\+\d'
print(re.fullmatch(re_str, '3+7'))
re_str = r'\(\\'
print(re.fullmatch(re_str, '(\\'))
re_str = r'(\d{3})\1([a-z]{2})\2\1'
print(re.fullmatch(re_str, '123123bbbb123'))

四、re模块中的函数

import re

1. compile

compile(正则表达式字符串) --> 将正则表达式字符串转换成正则表达式对象

re_objct = re.compile(r'\d+')
print(re_objct)
print(re_objct.fullmatch('23738'))

2. fullmatch和match

fullmatch(正则表达式字符串, 字符串)

--> 用正则表达式去完全匹配字符串(匹配整个字符串)，返回匹配对象(SRE_Match)或者None

match(正则表达式字符串, 字符串)

--> 匹配字符串开头,返回匹配对象或者None

result = re.fullmatch(r'\d([a-zA-Z]+)123', '2hjdh123')
print(result)

1.span(group=0) --> 获取匹配成功的区间(左闭右开区间)

print(result.span(0))

print(result.start(1)) # 获取匹配到的开始下标

print(result.end(1)) # 获取匹配到的结束下标后的下标

2.group(group = 0) --> 获取匹配结果

group()/group(0) --> 获取正则表达式完全匹配的结果

group(index>0) --> 获取正则表达式中第group个分组匹配到的结果

print('0:',result.group())
print('1:',result.group(1))

3.string --> 获取被匹配的原字符串

print(result.string)
result = re.match(r'\d([a-zA-Z]+)123', '2hjdh123ABC')
print('match:',result)

3.search

search(正则表达式, 字符串)

--> 查找字符串中满足正则表达式的第一个字符串。返回值是匹配对象或者None

result = re.search(r'(\d)[a-zA-Z]+', 'uhsh2hdje+984nf')
print(result.group(0))
print(result.group(1))
print(result.string)

练习：使用search匹配出一个字符串中所有的数字字符串'abc34jshd8923jkshd9lkkk890k' --> 34，8923，9，890

re_str = r'\d+'
str1 = 'abc34jshd8923jkshd9lkkk890k'
result = re.search(re_str, str1)
while result:
    print(result)
    str1 = str1[result.end():]
    result = re.search(re_str, str1)

4.findall

findall(正则表达式, 字符串) --> 获取字符串中满足正则表达式的所有的子串，返回一个列表

注意：如果正在表达式中有分组，取值的时候只取分组中匹配到的结果;

如果有多个分组，会将每个分组匹配到的结果作为一个元祖的元素

re_str = r'(\d+)k([a-d]+)'
str1 = 'abc34kshd8923kabcshd9lkkk890kaa'
result = re.findall(re_str, str1)
print(result)  # [('8923', 'abc'), ('890', 'aa')]
re_str = r'(\d+)k[a-d]+'
str1 = 'abc34kshd8923kabcshd9lkkk890kaa'
result = re.findall(re_str, str1)
print(result)  # ['8923', '890']
re_str = r'\d+k[a-d]+'
str1 = 'abc34kshd8923kabcshd9lkkk890kaa'
result = re.findall(re_str, str1)
print(result)  # ['8923kabc', '890kaa']

5.finditer

finditer(正则表达式, 字符串)

--> 查找所有满足正则条件的子串，返回值是迭代器，迭代器中的元素是匹配对象

re_str = r'\d+'
str1 = 'abc34kshd8923kabcshd9lkkk890kaa'
result = re.finditer(re_str, str1)
print(result)
for item in result:
    print(item)

6. split

split(正则表达式,字符串) --> 将字符串按照满足正则表达式条件的子串进行分割

"""

str1 = 'ahsb1sssa8-jjhd7nhs+90nsjhf3-4hhh7+8kjj-'

result = re.split(r'[-+]', str1)

print(result)

7.sub

sub(正则表达式,repl,字符串) --> 将字符串中满足正则表达式条件的子串替换成repl。返回替换后的字符串

str1 = 'hsj8jskfh98ssjj8hshh'
result = re.sub(r'\d+','*', str1)
print(result)
str1 = '智      障,你在干嘛？逼, 后视镜，妈的加扣扣上'
result = re.sub(r'傻\s*叉|逼|fuck|妈的|智\s*障', '*', str1)
print(result)
with open('./data', 'r', encoding='utf-8') as f:
    content = f.read()
    # "name": "搞笑精选汇"
    result = re.findall(r'"name":"(.+?)"', content)
    print(result)

作业

1. 写一个正则表达式判断一个字符串是否是ip地址

规则：一个ip地址由4个数字组成，每个数字之间用.连接。每个数字的大小是0-255 例如：255.189.10.37 正确 256.189.89.9 错误

import re
re_str = r'((\d|[1-9]\d|1\d{2}|2[0-4]\d|25[0-5])\.){3}(\d|[1-9]\d|1\d{2}|2[0-4]\d|25[0-5])'
result = re.fullmatch(re_str,'255.183.10.37')
print(result)

2. 计算一个字符串中所有的数字的和

例如：字符串是：‘hello90abc 78sjh12.5’ 结果是90+78+12.5 = 180.5

str1 = 'hello90abc 78sjh12.5'
result = re.findall(r'[^a-z]+',str1)
print(result)
sum1 = 0
for item in result:
    sum1 += float(item)
print(sum1)

3. 验证输入的内容只能是汉字

re_str = r'[\u4E00-\u9fa5]+'