Python正则表达式（上）

本节知识大纲：

一、正则表达式介绍

正则表达式是什么？正则表达式是一种特殊的字符串模式，用于匹配一组字符串，就好比模具做产品，而正则就是这个模具，定义一种规则去匹配符合规则的字符。

如果我们对字符串有要求，我们就可以通过正则表达式把它表示出来，我们可以用正则表达式去匹配符合规则的字符串；

正则表达式的处理对象是 字符串 ，主要应用正则表达式的操作有：

• 验证
• 查找
• 替换

1. 正则表达式的匹配流程：

图片.png

2. 正则表达式的应用流程

match()是用于校验的函数

案例01 ：输入一个三位数，通过正则表达式输入的是否满足要求?

import re
input_number = input("请输入一个三位数:")
match = re.match("^\d{3}$",input_number)
if match is None:
    print("不符合要求")
else:
    print("符合要求")

案例02 ：

判断输入的手机号码是否有效，要求：号码位数是11位；第一位是数字1；第二位是数字345789；后面是0-9均可

# 步骤一：通过引擎编译出对象
import re
pattern = re.compile(R"[1][345789]\d{9}")   # 编译出pattern对象
input_mobile = input("请输入手机号码:")
# 步骤二：对输入的内容进行匹配
# print(pattern.match(input_mobile))
if pattern.match(input_mobile):
    print("输入的手机号有效！")
else:
    print("输入的手机号无效！")

3.正则表达式的基本语法

图片.png

二、预定义字符

如果每次都通过代码来验证正则表达式是否正确效率有点低，我们可以通过在线工具来校验我们的正则表达式是否正确，比如oschina的在线正则表达式测试工具；当然在Windows系统下可以使用RegexBuddy工具进行检测。

普通字符 ：字母、数字、下划线以及没有特殊意义的符号，都是普通字符。

元字符 ：这里主要有11个构成正则表达式元字符

.   \   |   ^   $   *   +   ?   []   {}   ()

1. 通配字符

. 是一个能匹配除 \n 以外任何字符的通用匹配符，例如，我们想匹配以a开头的，后面跟3个任意字符的正则表达式可以这样写：

re.match("^a...","avfs")

另外三个连续的通配符可以写成 {3} 像这样：

re.match("^a.{3}","avfs")

这里也可以使用findall()方法，能返回待匹配字符串中所有与正则表达式相匹配的字符串

print(re.findall("a.{3}","avfssssadddadddaef"))  # 把匹配开头的^去掉了

输出结果：

['avfs', 'addd', 'addd']

2. 反斜杠

反斜杠加字母有时候在转义字符和正则表达式中功能冲突，通常的解决办法是使用 r 或者 R 取消转义。

三、字符集

1. 系统正则表达式字符集

案例：

非数字开头 + 两个空格 + 数字/字母/下划线

import re
print(re.match(R"^\D\s{2}\w$","a  _"))

2. 用户自定义正则表达式字符集

除了使用系统字符集以外，用户可以自定义字符集

注意：这里一个中括号只能匹配一个字符; ^ 在中括号外表示一行开始，在中括号里面表示取反、排除的意思

案例：

使用自定义字符集，匹配不区分大小写以a-f开头，接接着是三个小写字母，再后面是以偶数结尾

import re
print(re.findall(R"[a-fA-F][a-z]{3}[02468]","bddf42fbas8"))

注意：除了 ^ 、 - 以外，如果把其它任何特殊符号放到 [] 里，那么就自动去掉特殊意义，只表示符号本身的含义，如 . 在 [] 里只表示 . 点号的意思，没有了通配符的功能。

四、正则表达式中量词

1. 三种量词符号

案例：通过正则表达式匹配英文单词，要求以na开头，以e来结尾

方法一：使用 * 号

print(re.findall(R"na[a-z]*e","my name is Alice,nae,nattore"))

输出结果：

['name', 'nae', 'nattore']

使用 * 号匹配name（重复1次），匹配nae（重复0次），匹配nattore（重复多次）

方法二：使用 + 号

print(re.findall(R"na[a-z]+e","my name is Alice,nae,nattore"))

输出结果:

['name', 'nattore']

使用 + 号，只能匹配name(重复1次)，匹配nattore（重复多次）

方法三：使用 ? 号

print(re.findall(R"na[a-z]?e","my name is Alice,nae,nattore"))

输出结果：

['name', 'nae']

使用 ? 号，只能name(重复1次)和nae(重复0次)

案例：

判断身份证号是否有效， 特征一：长度18或者15位 特征二：前17位是数字 特征三：最后一位是数字或者x

print(re.match(r"(\d{14}[0-9x]|\d{17}[0-9x])","34262320001218646x"))

2. 花括号表示重复次数

（1）{n}表示重复n次

# 正则表达式匹配以na开头加上4个小写字母并以e结尾：
print(re.findall(R"na[a-z]{4}e","my name is Alice,nae,nattore"))

输出结果：

['nattore']

（2）{n,m}表示重复n到m次

# 正则表达式匹配以na开头加上3-10个小写字母并以e结尾：
print(re.findall(R"na[a-z]{3,10}e","my name is Alice,naicajoe,nattorirce"))

输出结果：

['naicajoe', 'nattorirce']

（3）{n，}表示重复n次到无限次

# 正则表达式匹配以na开头加上3个以上的小写字母并以e为结尾：
print(re.findall(R"na[a-z]{3,}e","my name is Alice,naicajoe,nattorighjrce"))

输出结果：

['naicajoe', 'nattorighjrce']

3. 贪婪模式和非贪婪模式

（1）贪婪模式 贪婪模式是指在Python在默认情况下量词会尽可能多的匹配

print(re.findall("\d+","12345678888888abc"))    # 尽量多的匹配
print(re.findall("\d*","12345678888888abc"))
print(re.findall("\d{3,}","12345678888888abc"))
print(re.findall("\d{3,8}","1234567888888888abc"))

输出结果：

['12345678888888']
['12345678888888', '', '', '', '']
['12345678888888']
['12345678', '88888888']

（2）非贪婪模式 在表达式的结尾加上问号 ? ，会切换成非贪婪模式

print(re.findall("\d+?","12345678888888abc"))
print(re.findall("\d{3,}?","12345678888888abc"))

输出结果：

['1', '2', '3', '4', '5', '6', '7', '8', '8', '8', '8', '8', '8', '8']
['123', '456', '788', '888']

五、字符边界

Python正则表达式字符边界主要有四种：

^      开始位置
$      结束
\b     单词边界
\B     非单词边界

1. 字符串的开始和结束

案例:

输入一个6位数字，必须要以95开头，以8结尾的数字

print(re.findall(r"^95\d{3}8$","958348"))

输出结果：

['958348']

2. 字符串的边界

\b 表示单词的边界，指某一个位置前后不都是字母、数字、下划线（ \w ） 案例：输入一句英文，找出里面以a、b、c开头的单词

str01 = "Use this toggle to the left to manage how your " \
        "browser uses BBC’s performance cookies. If you’re " \
        "outside the UK you can also use the toggle to set " \
        "your preferences for personalised advertising cookies."
pattern = re.compile(r"\b[abcABC][a-z]*\b")
print(pattern.findall(str01))

输出结果：

['browser', 'cookies', 'can', 'also', 'advertising', 'cookies']

六、逻辑判断

正则表达式中表示逻辑或的是用符号 | ，分为整体或和部分或

(1)整体或 案例：简单匹配身份证号，现在的身份证号是18位以前是15位，我们希望两者都兼容；前面全是数字，最后一位可以是数字或者x

import re
print(re.findall("\d{14}[0-9x]|\d{17}[0-9x]]","34262219971012x"))

输出结果：

['34262219971012x']

（2）部分或 案例：在一段英文句子中，找出es、er或者ing结尾的单词

str01 = "Use this toggle to the left to manage how your " \
        "browser uses BBC’s performance cookies. If you’re " \
        "outside the UK you can also use the toggle to set " \
        "your preferences for personalised advertising cookies."
pattern = re.compile(r"\b[a-z]*(es|ing|er)\b")
print(pattern.findall(str01))

输出结果：

['er', 'es', 'es', 'es', 'ing', 'es']

为什么没有显示出完整的单词呢，这就涉及到正则表达式中分组的知识了；

七、 分组

1. 捕获组与非捕获组

分组是我们正则表达式中一个难点，把正则表达式的一部分用括号括起来作为一个组；主要包括捕获组 () 非捕获组 (?:) 如何进行捕获呢？待捕获的表达式用小括号括起来，编号从1开始，后面通过反斜杠加数字标号进行调用。我们以一个案例来进行解释

案例 : 在前一段英文中，匹配这样的单词，有5个字符；第一个字母和第五个一样，第二个和第四个一样，比如 abcba

分析 ：因为匹配的是单词第一个和最后一个都是单词的边界,故正则表达式的前后都用 \b ，第一个字母和第二个字母后面都要用到所以分别给它们设置捕获组。用小括号括起来 ([a-z]) 、 ([a-z]) 第三字母后面用不到所以不设置捕获组，第四个字母和第五个字母调用前面的捕获组，所以通过反斜杠加数字编号来进行调用，所以主要的正则表达式为： \b([a-z])([a-z])[a-z]\2\1\b

import re
print(re.findall(r"\b([a-z])([a-z])[a-z]\2\1\b","fdadd abcba"))

输出结果：

[('a', 'b')]

貌似是匹配到了，但是输出的结果并不满意，并不是完整的显示内容这是怎么回事呢？

原因 ：如果对正则表达式做了分组，使用findall函数则显示捕获组所匹配的内容，不能完整显示，如果想完整显示的话有两个解决办法：

方法一 ：使用非捕获组 如果不需要对捕获组的内容调用，可以使用非捕获组，在表达式前加上?:就可以了，表示只捕获数据了，只用来表达条件。

回到我们前面的案例，英文句子中匹配单词，怎样才能完整显示呢？对于后面不需要调用的正则表达式分组，我们使用非捕获组的方式，就是表达式前加上问号和冒号即可，则前面的正则表达式 \b[a-z]*(es|ing|er)\b 可以写成 \b[a-z]*(?:es|ing|er)\b ，这样我们的输出结果就是完整的单词了。

方法二 ：使用迭代函数finditer 将findall函数改为迭代函数finditer

import re
match_result = re.finditer(r"\b([a-z])([a-z])[a-z]\2\1\b","fdadd abcba")
match_list = []
for i in match_result: