轉載
正則表達式是一種強大的文本處理工具，它允許你根據一定的規則來搜索、匹配、替換和驗證文本，適配各種編程語言。
應用場景
正則表達式在計算機領域有廣泛的應用，包括：
1、文本搜索和匹配：查找特定模式的字符串，如搜索包含特定關鍵詞的文檔。
2、數據驗證：驗證用戶輸入的數據是否符合特定格式，如電子郵件地址、電話號碼、日期等。
3、數據提取：從文本中提取特定信息，如從HTML頁面中提取鏈接或從日誌文件中提取關鍵信息。
4、字符串替換：將文本中的特定模式替換爲其他內容，如過濾敏感詞彙。
5、日誌分析：分析日誌文件以提取有用的信息，如統計訪問量或檢測異常事件。
6、編譯原理：在編譯器和解釋器中用於詞法分析和語法分析。
7、網絡爬蟲：用於網頁內容的抓取和處理。
元字符
常見元字符：
.：匹配任意字符，除了換行符。
例如，正則表達式 a.b 可以匹配 "axb"、"aab"、"a1b" 等。
*：匹配【前一個字符】零次或多次。
例如，正則表達式 ca*t 可以匹配 "ct"、"cat"、"caat" 等。
+：匹配【前一個字符】一次或多次。
例如，正則表達式 ca+t 可以匹配 "cat"、"caat" 等，但不匹配 "ct"。
?：匹配【前一個字符】零次或一次。
例如，正則表達式 colou?r 可以匹配 "color" 和 "colour"。
|：表示“或”操作，匹配兩個或多個模式中的任何一個。
例如，正則表達式 apple|banana 可以匹配 "apple" 或 "banana"。
[]：定義字符類，匹配括號內的任何字符。
例如，正則表達式 [aeiou] 可以匹配任何元音字母。
()：表示分組，用於捕獲匹配的文本。
例如，正則表達式 (\d{3})-(\d{2}) 可以匹配 "123-45" 並捕獲 "123" 和 "45"。
字符類
字符類用於匹配某一類字符，常見字符類：
[0-9]：匹配任何數字。
[a-z]：匹配小寫字母。
[A-Z]：匹配大寫字母。
[a-zA-Z]：匹配任何字母。
[^0-9]：匹配除了數字以外的字符。
[aeiou]：匹配任何元音字母。
數量詞
數量詞用於指定模式中字符的重複次數，常見數量詞：
{n}：匹配【前一個字符】恰好 n 次。
{n,}：匹配【前一個字符】至少 n 次。
{n,m}：匹配【前一個字符】至少 n 次，但不超過 m 次。
*：匹配零次或多次。
+：匹配一次或多次。
?：匹配零次或一次。
邊界匹配
邊界匹配用於限定匹配模式的位置，常見的邊界匹配符號：
^：匹配字符串的開始
$：匹配字符串的結束
\b：匹配單詞的邊界
\B：匹配非單詞邊界
組匹配
正則表達式的組匹配允許你將模式中的一部分用括號括起來，以便捕獲匹配的內容，這些捕獲的內容可以在後續操作中使用。組匹配非常有用，特別是在需要提取或替換特定部分的文本時。
示例一：匹配日期
考慮一個匹配日期的例子，正則表達式爲
(\d{4})-(\d{2})-(\d{2})
這個正則表達式會匹配形如 "2023-05-09" 的日期，並捕獲年、月、日三個部分。
"2023-05-09" 匹配整個模式，捕獲的結果是：年 = "2023"，月 = "05"，日 = "09"。
示例二：替換重複單詞
正則表達式的組匹配在替換文本中的內容時非常有用。考慮一個需要將文本中的重複單詞替換爲一次的情況，正則表達式爲
\b(\w+)\b\s+\1\b
- \b(\w+)\b 匹配一個單詞，並捕獲到組1中。
- \s+ 匹配一個或多個空白字符。
- \1\b 匹配與組1相同的單詞，並匹配單詞邊界。
通過這個正則表達式，可以將文本中的 "word word" 替換爲 "word"。
反向引用
正則表達式的反向引用是一種強大的技術，允許你在模式中引用已經捕獲的文本，並在匹配時使用這些引用。這通常通過組匹配和反向引用組號來實現。反向引用在處理需要重複出現的文本模式時非常有用，例如識別重複單詞、標籤、括號等。
基本語法
在正則表達式中，反向引用使用組號來指示要引用的組，組號從1開始。組是通過在模式中使用圓括號 () 來創建的。一旦你捕獲了一個組，你可以在後續的模式中引用它。引用的語法是 \ 後跟組號，例如 \1 表示引用組1。
示例一：匹配重複單詞
假設我們有一段文本，其中有一些單詞出現了兩次。我們希望使用正則表達式將這些重複的單詞識別出來。
文本："Hello, hello, world, world, example, example."
正則表達式：
\b(\w+)\b.*\b\1\b
- \b(\w+)\b：匹配一個單詞並捕獲到組1中。
- .*：匹配任意字符（包括空格）零次或多次。
- \b\1\b：引用組1，確保匹配的是與組1相同的單詞，並且單詞邊界匹配。
使用這個正則表達式，我們可以捕獲到重複的單詞 "example" 和 "world"。
示例二：HTML標籤匹配
假設我們需要從HTML文檔中提取所有的鏈接文本和鏈接地址。HTML標籤是有嵌套關係的，我們可以使用反向引用來處理這種情況。
HTML片段：
<a href="https://www.example1.com">Example 1</a><a href="https://www.example2.com">Example 2</a><a href="https://www.example3.com">Example 3</a>
正則表達式：
<a href="([^"]+)">([^<]+)</a>
- <a href="([^"]+)">：匹配鏈接的開頭標籤，捕獲鏈接地址到組1中。
- ([^<]+)：匹配鏈接文本，捕獲到組2中。
- ：匹配鏈接的結束標籤。
import re
str = '<a href="https://www.example1.com">Example 1</a>' \
'<a href="https://www.example2.com">Example 2</a>' \
'<a href="https://www.example3.com">Example 3</a>'
pattent = '<a href="([^"]+)">([^<]+)</a>'
data = re.findall(string=str,pattern=pattent)
print(data)
# 輸出
[('https://www.example1.com', 'Example 1'), ('https://www.example2.com', 'Example 2'), ('https://www.example3.com', 'Example 3')]
實戰
案例1
- 問題
對於字符串values，想要提取其中的cap所在的行信息，並輸出打印出結果。
import re
values = """
[13:52:44]<fruits>
[13:52:44]apple : 11111 mv
[13:52:44]banana : 22222 mv
[13:52:44]vol : 10327 mv
[13:52:44]<batterry>
[13:52:44]vol : 10327 mv
[13:52:44]cur : 4344 ma
[13:52:44]cap : 25 %
[13:52:44]tpwr : 44.86 w
[13:52:44]<motor>
[13:52:44]bird : 999999 w
[13:52:44]monkey : 888888
[13:52:44]tpwr : 44.86 w
[13:52:44]<animals>
"""
- 先定位並提取數據
data = re.findall("<batterry>(.*)<motor>", values, re.S) # re.S表示換行也算
print(data)
# 輸出
['\n[13:52:44]vol : 10327 mv\n[13:52:44]cur : 4344 ma\n[13:52:44]cap : 25 %\n[13:52:44]tpwr : 44.86 w\n[13:52:44]']
- 定義匹配策略
- "\s" 匹配空白字符
- "\d" 匹配數字字符
- "." 匹配任意字符
- "*" 匹配0個或多個字符
- "" 轉義，匹配特殊字符
- "()" 將所需要的數據單獨匹配出來
for key in data:
volValue = re.findall("\[(.*)\]({})\s*:\s*(\d*)".format("cap"), key)
print(volValue)
# 輸出
[('13:52:44', 'cap', '25')]
- 輸出
volDict = {}
timeList = []
valueList = []
for value in volValue:
timeList.append(value[0])
valueList.append(value[2])
volDict["time"] = timeList
volDict["vol"] = volValue[0][1]
volDict["value"] = valueList
print(volDict)
# 輸出
{'time': ['13:52:44'], 'vol': 'cap', 'value': ['25']}