什麼是正則表達式
就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個"規則字符串"，這個"規則字符串"用來表達對字符串的一種過濾邏輯。
給定一個正則表達式和另一個字符串，我們可以達到如下的目的：
- 給定的字符串是否符合正則表達式的過濾邏輯（"匹配"）；
- 通過正則表達式，從文本字符串中獲取我們想要的特定部分（"過濾"）。
正則表達式匹配規則
| 模式 | 描述 |
| \w | 匹配字母、數字、下劃線,等價於[a-zA-Z0-9_] \w可以匹配漢字(python), |
| \W | 匹配不是字母、數字、下劃線的其他字符 |
| \s | 匹配任意空白字符,等價於(\t\n\r\f) |
| \S | 匹配任意非空字符 |
| \d | 匹配數字,等價於[0-9] |
| \D | 匹配不是數字的字符 |
| \A | 匹配字符串開頭 |
| \Z | 匹配字符串結尾的,如果存在換行,只匹配到換行前的結束字符串 |
| \z | 匹配字符串結尾的,如果存在換行,匹配到換行符\n |
| \G | 最好完成匹配的位置 |
| \n | 匹配一個換行符 |
| \t | 匹配一個製表符(tab) |
| ^ | 匹配一行字符串的開頭 |
| $ | 匹配一行字符串的結尾 |
| . | 匹配任意字符,除了換行符.當re.DOTALL標記被指定時,這可以匹配包括換行符在內的任字符 |
| […] | 用來表示一組字符,比如[abc]表示匹配a或b或c,[a-z],[0-9] |
| [^…] | 匹配不在[]裏面的字符,比如[^abc]匹配除a,b,c以外的字符 |
| * | 匹配0個或多個字符 |
| + | 匹配1個或多個字符 |
| ? | 匹配0個或1個前面的正則表達式片段,(.*?)表示儘可能少地匹配字符(後面詳解) |
| {n} | 精確匹配前面n個前面的表達式,如\d{5}表示匹配5個數字 |
| {n,m} | 匹配前面的表達式n到m次,貪婪模式 |
| a | b |
| (…) | 匹配括號裏的表達式,也可以表示一個組 |
Python 的 re 模塊
在 Python 中，我們可以使用內置的 re 模塊來使用正則表達式。
有一點需要特別注意的是，正則表達式使用 對特殊字符進行轉義，所以如果我們要使用原始字符串，只需加一個 r 前綴，示例：
r'chuanzhiboke\t\.\tpython'
在python正則表達中儘可能的使用原始字符串，待匹配的字符串中看到什麼就在正則表達式寫什麼，就不會出現問題
a = 'a\nb'
print(len(a)) # 3
b = r'a\nb'
print(len(b)) # 4
# '\n'長度爲1，r'\n'長度爲2
re 模塊的一般使用步驟如下：
-
使用
compile()函數將正則表達式的字符串形式編譯爲一個Pattern對象 -
通過
Pattern對象提供的一系列方法對文本進行匹配查找，獲得匹配結果，一個 Match 對象。 -
最後使用
Match對象提供的屬性和方法獲得信息，根據需要進行其他的操作
常用正則表達式的方法：
- re.compile（編譯）
- pattern.match（從頭找一個，一次匹配）
- pattern.search（從任何位置開始找一個，一次匹配）
- pattern.findall（找所有，返回列表）
- finditer 方法 （全部匹配，返回迭代器）
- pattern.sub（替換）
- pattern.split (分割字符串，返回列表)
1、compile 函數
compile 函數用於編譯正則表達式，生成一個 Pattern 對象，它的一般使用形式如下：
import re
# 將正則表達式編譯成 Pattern 對象
pattern = re.compile(r'\d+')
在上面，我們已將一個正則表達式編譯成 Pattern 對象，接下來，我們就可以利用 pattern 的一系列方法對文本進行匹配查找了。
2、match 方法
match 方法用於查找字符串的頭部（也可以指定起始位置），它是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果。它的一般使用形式如下：
match(string[, pos[, endpos]])
- string 是待匹配的字符串；
- pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。
當你不指定 pos 和 endpos 時，match 方法默認匹配字符串的頭部。
當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。
import re
pattern = re.compile(r'\d+') # 用於匹配至少一個數字
m = pattern.match('one12twothree34four') # 查找頭部，沒有匹配
print(m)
# None
m = pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開始匹配，沒有匹配
print(m)
# None
m = pattern.match('one12twothree34four', 3, 10) # 從'1'的位置開始匹配，正好匹配
print(m) # 返回一個 Match 對象
# <re.Match object; span=(3, 5), match='12'>
print(m.group(0)) # 可省略 0
# 12
print(m.start(0)) # 可省略 0
# 3
print(m.end(0)) # 可省略 0
# 5
print(m.span(0)) # 可省略 0
# (3, 5)
在上面，當匹配成功時返回一個 Match 對象，其中：
-
group([group1, ...]) 方法用於獲得一個或多個分組匹配的字符串，當要獲得整個匹配的子串時，可直接使用 group() 或 group(0)；
-
start([group]) 方法用於獲取分組匹配的子串在整個字符串中的起始位置（子串第一個字符的索引），參數默認值爲 0；
-
end([group]) 方法用於獲取分組匹配的子串在整個字符串中的結束位置（子串最後一個字符的索引+1），參數默認值爲 0；
-
span([group]) 方法返回 (start(group), end(group))。
再看看一個例子：
import re
pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小寫
m = pattern.match('Hello World Wide Web')
print(m) # 匹配成功，返回一個 Match 對象
# <re.Match object; span=(0, 11), match='Hello World'>
print(m.group(0)) # 返回匹配成功的整個子串
# 'Hello World'
print(m.span(0)) # 返回匹配成功的整個子串的索引
# (0, 11)
print(m.group(1)) # 返回第一個分組匹配成功的子串
# 'Hello'
print(m.span(1)) # 返回第一個分組匹配成功的子串的索引
# (0, 5)
print(m.group(2)) # 返回第二個分組匹配成功的子串
# 'World'
print(m.span(2)) # 返回第二個分組匹配成功的子串
# (6, 11)
print(m.groups()) # 等價於 (m.group(1), m.group(2), ...)
# ('Hello', 'World')
print(m.group(3)) # 不存在第三個分組
# Traceback (most recent call last):
# IndexError: no such group
3、search 方法
search 方法用於查找字符串的任何位置，它也是一次匹配，只要找到了一個匹配的結果就返回，而不是查找所有匹配的結果，它的一般使用形式如下：
search(string[, pos[, endpos]])
其中，string 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。
當匹配成功時，返回一個 Match 對象，如果沒有匹配上，則返回 None。
讓我們看看例子：
import re
pattern = re.compile(r'\d+')
m = pattern.search('one12twothree34four') # 這裏如果使用 match 方法則不匹配
print(m)
print(m.group())
# <re.Match object; span=(3, 5), match='12'>
# '12'
m = pattern.search('one12twothree34four', 10, 30) # 指定字符串區間
print(m)
print(m.group())
# <re.Match object; span=(13, 15), match='34'>
# '34'
print(m.span())
# (13, 15)
再來看一個例子：
import re
pattern = re.compile(r'\d+')
m = pattern.search('hello 123456 789') # 這裏使用 match() 無法成功匹配
if m:
print('matching string:', m.group()) # 使用 Match 獲得分組信息
print('position:', m.span()) # 起始位置和結束位置
# matching string: 123456
# position: (6, 12)
4、findall 方法
上面的 match 和 search 方法都是一次匹配，只要找到了一個匹配的結果就返回。然而，在大多數時候，我們需要搜索整個字符串，獲得所有匹配的結果。
findall 方法的使用形式如下：
findall(string[, pos[, endpos]])
其中，string 是待匹配的字符串，pos 和 endpos 是可選參數，指定字符串的起始和終點位置，默認值分別是 0 和 len (字符串長度)。
findall 以列表形式返回全部能匹配的子串，如果沒有匹配，則返回一個空列表。
看看例子：
import re
pattern = re.compile(r'\d+')
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print(result1)
print(result2)
# ['123456', '789']
# ['1', '2']
再先看一個栗子：
import re
pattern = re.compile(r'\d+\.\d*')
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
print(type(result))
# <class 'list'>
for item in result:
print(item)
# 123.141593
# 3.15
5、finditer 方法
finditer 方法的行爲跟 findall 的行爲類似，也是搜索整個字符串，獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果（Match 對象）的迭代器。
看看例子：
import re
pattern = re.compile(r'\d+')
result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)
print(type(result_iter1))
print(type(result_iter2))
# <class 'callable_iterator'>
# <class 'callable_iterator'>
print('result1...')
for m1 in result_iter1: # m1 是 Match 對象
print('matching string: {}, position: {}'.format(m1.group(), m1.span()))
# matching string: 123456, position: (6, 12)
# matching string: 789, position: (13, 16)
print('result2...')
for m2 in result_iter2:
print('matching string: {}, position: {}'.format(m2.group(), m2.span()))
# matching string: 1, position: (3, 4)
# matching string: 2, position: (7, 8)
6、split 方法
split 方法按照能夠匹配的子串將字符串分割後返回列表，它的使用形式如下：
split(string[, maxsplit])
其中，maxsplit 用於指定最大分割次數，不指定將全部分割。
import re
p = re.compile(r'[\s\,\;]+')
print (p.split('a,b;; c d'))
# ['a', 'b', 'c', 'd']
使用多個分隔符分隔字符串
split多個分隔符 單一分隔符，使用str.split()即可
多個分隔符，複雜的分隔情況，使用re.split
（1）多個單一 分隔符 時 ，"[]"與 "|"的 效果是一樣的，但是 請注意 使用 “|”時某些字符 需要轉義
import re
line1 = "word;Word,emp?hahaha"
print(re.split(r";|,|\?", line1)) # 別忘了轉義"?"
# ['word', 'Word', 'emp', 'hahaha']
print(re.split(r"[;,?]", line1))
# ['word', 'Word', 'emp', 'hahaha']
（2）多個 長短 不一 的的分隔符的分隔符時， 就應該使用 "|"
line2 = "word;Word=+,emp? hahaha; whole, cai"
print(re.split(r";|=\+,|\?\s|;\s|,\s", line2))
# ['word', 'Word', 'emp', 'hahaha', ' whole', ' cai']
（3）更加漸變簡便 的 用法 是
print(re.split(r"\W+", line1))
print(re.split(r"\W+", line2))
（4） “（）”則是 將 分隔 後的 結果 連同分隔符均 有所 保留
rint(re.split(r"(\W+)", line2))
# ['word', ';', 'Word', '=+,', 'emp', '? ', 'hahaha', '; ', 'whole', ', ', 'cai']
7、sub 方法
sub 方法用於替換。它的使用形式如下：
sub(repl, string[, count])
其中，repl 可以是字符串也可以是一個函數：
-
如果 repl 是字符串，則會使用 repl 去替換字符串每一個匹配的子串，並返回替換後的字符串，另外，repl 還可以使用 id 的形式來引用分組，但不能使用編號 0；
-
如果 repl 是函數，這個方法應當只接受一個參數（Match 對象），並返回一個字符串用於替換（返回的字符串中不能再引用分組）。
-
count 用於指定最多替換次數，不指定時全部替換。
看看例子：
import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'
print(p.sub(r'hello world', s)) # 使用 'hello world' 替換 'hello 123' 和 'hello 456'
print(p.sub(r'\2 \1', s)) # 引用分組
# hello world, hello world
# 123 hello, 456 hello
def func(m):
print(m)
return 'hi' + ' ' + m.group(2) # group(0) 表示本身，group(1)表示hello，group(2) 表示後面的數字
print(p.sub(func, s)) # 多次sub，每次sub的結果傳遞給func
print(p.sub(func, s, 1)) # 最多替換一次
# <re.Match object; span=(0, 9), match='hello 123'>
# <re.Match object; span=(11, 20), match='hello 456'>
# hi 123, hi 456
# <re.Match object; span=(0, 9), match='hello 123'>
# hi 123, hello 456
8、匹配中文
在某些情況下，我們想匹配文本中的漢字，有一點需要注意的是，中文的 unicode 編碼範圍 主要在 [u4e00-u9fa5]，這裏說主要是因爲這個範圍並不完整，比如沒有包括全角（中文）標點，不過，在大部分情況下，應該是夠用的。
假設現在想把字符串 title = u'你好，hello，世界' 中的中文提取出來，可以這麼做：
import re
title = '你好，hello，世界'
pattern = re.compile(r'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print(result)
# ['你好', '世界']
注意到，我們在正則表達式前面加上了兩個前綴 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。
注意：貪婪模式與非貪婪模式
- 貪婪模式：在整個表達式匹配成功的前提下，儘可能多的匹配 ( * )；
- 非貪婪模式：在整個表達式匹配成功的前提下，儘可能少的匹配 ( ? )；
- Python裏數量詞默認是貪婪的。
示例一 ： 源字符串：abbbc
-
使用貪婪的數量詞的正則表達式
ab*，匹配結果： abbb。*決定了儘可能多匹配 b，所以a後面所有的 b 都出現了。 -
使用非貪婪的數量詞的正則表達式
ab*?，匹配結果： a。即使前面有
*，但是?決定了儘可能少匹配 b，所以沒有 b。
示例二 ： 源字符串：aa<div>test1</div>bb<div>test2</div>cc
-
使用貪婪的數量詞的正則表達式：
<div>.*</div> -
匹配結果：
<div>test1</div>bb<div>test2</div>
這裏採用的是貪婪模式。在匹配到第一個"
</div>"時已經可以使整個表達式匹配成功，但是由於採用的是貪婪模式，所以仍然要向右嘗試匹配，查看是否還有更長的可以成功匹配的子串。匹配到第二個"</div>"後，向右再沒有可以成功匹配的子串，匹配結束，匹配結果爲"<div>test1</div>bb<div>test2</div>"
-
使用非貪婪的數量詞的正則表達式：
<div>.*?</div> -
匹配結果：
<div>test1</div>
正則表達式二採用的是非貪婪模式，在匹配到第一個"
</div>"時使整個表達式匹配成功，由於採用的是非貪婪模式，所以結束匹配，不再向右嘗試，匹配結果爲"<div>test1</div>"。