## **熟知熟用正则**
<br>
导语：正则在我们的生活中扮演重要的角色，通过2.1章节，我们对正则有了基本的了解，接下来我们将要全面的尝试使用正则。
### **1.re模块**
正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。Python 自1.5版本起增加了re 模块，它提供 Perl 风格的正则表达式模式。re 模块使 Python 语言拥有全部的正则表达式功能。<br>
由于Python的字符串本身也用`\`转义，所以要特别注意：
~~~
s = 'ABC\\-001' # Python的字符串
# 对应的正则表达式字符串变成：
# 'ABC\-001'
~~~
因此建议使用Python的`r`前缀，就不用考虑转义的问题了：
~~~
s = r'ABC\-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC\-001'
~~~
<hr>
### **2.正则表达式模式**
| 模式 | 描述 |
| --- | --- |
| \w | 匹配字母数字及下划线 |
| \W | 匹配非字母数字下划线 |
| \s | 匹配任意空白字符，等价于 [\t\n\r\f]. |
| \S | 匹配任意非空字符 |
| \d | 匹配任意数字，等价于 [0-9] |
| \D | 匹配任意非数字 |
| \A | 匹配字符串开始 |
| \Z | 匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串 |
| \z | 匹配字符串结束 |
| \G | 匹配最后匹配完成的位置 |
| \n | 匹配一个换行符 |
| \t | 匹配一个制表符 |
| ^ | 匹配字符串的开头 |
| $ | 匹配字符串的末尾。 |
| . | 匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。 |
| […] | 用来表示一组字符,单独列出：[amk] 匹配 ‘a’，‘m’或’k’ |
| [^…] | 不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。 |
| * | 匹配0个或多个的表达式。 |
| + | 匹配1个或多个的表达式。 |
| ? | 匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式 |
| {n} | 精确匹配n个前面表达式。 |
| {n, m} | 匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式 |
| a\|b | 匹配a或b |
| ( ) | 匹配括号内的表达式，也表示一个组 |
<hr>
### **3.正则表达式修饰符 - 可选标志**
正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位 OR(|) 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志：
| 修饰符 | 描述 |
| --- | --- |
| re.I | 使匹配对大小写不敏感 |
| re.L | 做本地化识别（locale-aware）匹配 |
| re.M | 多行匹配，影响 ^ 和 $ |
| re.S | 使 . 匹配包括换行在内的所有字符 |
| re.U | 根据Unicode字符集解析字符。这个标志影响 \\w, \\W, \\b, \\B. |
| re.X | 该标志通过给予你更灵活的格式以便你将正则表达式写得更易于理解。 |
<hr>
### **4.学习正则表达式模式**
正则表达式是用字符串表示的，所以，我们要首先了解如何用字符来描述字符。
在正则表达式中，如果直接给出字符，就是精确匹配。
使用特殊符号表示字符：用`\d`可以匹配一个数字，`\w`可以匹配一个字母或数字，例如：
- `'00\d'`可以匹配`'007'`，但无法匹配`'00A'`；
- `'\d\d\d'`可以匹配`'010'`；
- `'\w\w\d'`可以匹配`'py3'。`
`'.'`可以匹配任意字符，所以：
- `'py.'`可以匹配`'pyc'`、`'py3'`、`'py!'`等等。
要匹配变长的字符，在正则表达式中，用`*`表示任意个字符（包括0个），用`+`表示至少一个字符，用`?`表示0个或1个字符，用`{n}`表示n个字符，用`{n,m}`表示n-m个字符。
来看一个复杂的例子：`\d{3}\s+\d{3,8}`。
我们来从左到右解读一下：
- `\d{3}`表示匹配3个数字，例如`'010'`；
- `\s`可以匹配一个空格（也包括Tab等空白符），所以`\s+`表示至少有一个空格，例如匹配`' '`，`' '`等；
- `\d{3,8}`表示3-8个数字，例如`'1234567'`。
综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。
如果要匹配`'010-12345'`这样的号码呢？由于`'-'`是特殊字符，在正则表达式中，要用`'\'`转义，所以，上面的正则是`\d{3}\-\d{3,8}`。
但是，仍然无法匹配`'010 - 12345'`，因为带有空格。所以我们需要更复杂的匹配方式。
<hr>
### **5.进阶**
要做更精确地匹配，可以用`[]`表示范围，比如：
* `[0-9a-zA-Z\_]`可以匹配一个数字、字母或者下划线；
* `[0-9a-zA-Z\_]+`可以匹配至少由一个数字、字母或者下划线组成的字符串，比如`'a100'`，`'0_Z'`，`'Py3000'`等等；
* `[a-zA-Z\_][0-9a-zA-Z\_]*`可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；
* `[a-zA-Z\_][0-9a-zA-Z\_]{0, 19}`更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。
`A|B`可以匹配A或B，所以`(P|p)ython`可以匹配`'Python'`或者`'python'`。
`^`表示行的开头，`^\d`表示必须以数字开头。
`$`表示行的结束，`\d$`表示必须以数字结束。
`py`也可以匹配`'python'`，但是加上`^py$`就变成了整行匹配，就只能匹配`'py'`了。
<hr>
### **6.re模常用方法**
**1.re.match()**
re.match 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。
**函数语法**：
~~~
re.match(pattern, string, flags=0)
~~~
**函数参数说明：**
| 参数 | 描述 |
| --- | --- |
| pattern | 匹配的正则表达式 |
| string | 要匹配的字符串。 |
| flags | 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见上方可选标志表格 |
实例：
~~~
import re
print(re.match('www','www.baidu.com').span())
print(re.match('baidu','www.baidu.com'))
~~~
输出：
~~~
(0, 3)
None
~~~
**2.re.search()**
re.search 扫描整个字符串并返回第一个成功的匹配。
函数语法：
~~~
re.search(pattern, string, flags=0)
~~~
函数参数说明：
| 参数 | 描述 |
| --- | --- |
| pattern | 匹配的正则表达式 |
| string | 要匹配的字符串。 |
| flags | 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见上方可选标志表格 |
匹配成功re.search方法返回一个匹配的对象，否则返回None。
实例：
~~~
import re
print(re.search('www','www.baidu.com'))
print(re.search('baidu','www.baidu.com'))
~~~
输出：
~~~
<_sre.SRE_Match object; span=(0, 3), match='www'>
<_sre.SRE_Match object; span=(4, 9), match='baidu'>
~~~
**3.compile 函数**
compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。
提前编译可减少多次正则匹配的运行时间
语法格式为：
~~~
re.compile(pattern[, flags])
~~~
参数：
* pattern : 一个字符串形式的正则表达式
* flags 可选，表示匹配模式
**4.re.findall()**
在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。
**注意：** match 和 search 是匹配一次 findall 匹配所有。
语法格式为：
~~~
re.findall(string, pos, endpos)
~~~
参数：
* string 待匹配的字符串。
* pos 可选参数，指定字符串的起始位置，默认为 0。
* endpos 可选参数，指定字符串的结束位置，默认为字符串的长度。
**5.re.split**
split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：
~~~
re.split(pattern, string[, maxsplit=0, flags=0])
~~~
参数：
| 参数 | 描述 |
| --- | --- |
| pattern | 匹配的正则表达式 |
| string | 要匹配的字符串。 |
| maxsplit | 分隔次数，maxsplit=1 分隔一次，默认为 0，不限制次数。 |
| flags | 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见上方可选标志表格 |
实例：
用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：
~~~
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']
~~~
发现无法识别连续的空格，用正则表达式试试：
~~~
>>> re.split(r'\s+', 'a b c')
['a', 'b', 'c']
~~~
无论多少个空格都可以正常分割。加入`,`试试：
~~~
>>> re.split(r'[\s\,]+', 'a,b, c d')
['a', 'b', 'c', 'd']
~~~
再加入`;`试试：
~~~
>>> re.split(r'[\s\,\;]+', 'a,b;; c d')
['a', 'b', 'c', 'd']
~~~
**6.groups()**
我们可以使用group(num) 或 groups() 匹配对象函数来获取匹配表达式。
| 匹配对象方法 | 描述 |
| --- | --- |
| group(num=0) | 匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。 |
| groups() | 返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。 |
实例：
~~~
import re
m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
print(m.group(0))
print(m.group(1))
print(m.group(2))
print(m.groups())
~~~
输出：
~~~
010-12345
010
12345
('010', '12345')
~~~
* * *
**7.re.sub**
Python 的re模块提供了re.sub用于替换字符串中的匹配项。
语法：
~~~
re.sub(pattern, repl, string, count=0, flags=0)
~~~
参数：
* pattern : 正则中的模式字符串。
* repl : 替换的字符串，也可为一个函数。
* string : 要被查找替换的原始字符串。
* count : 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。
* flags : 编译时用的匹配模式，数字形式。
前三个为必选参数，后两个为可选参数。
实例：
~~~
import re
phone = "2004-959-559 # 这是一个电话号码"
# 删除注释
num = re.sub(r'#.*$', "", phone)
print("电话号码 : ", num)
# 移除非数字的内容
num = re.sub(r'\D', "", phone)
print("电话号码 : ", num)
~~~
### **7.贪婪匹配**
需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的`0`：
~~~
>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')
~~~
由于`\d+`采用贪婪匹配，直接把后面的`0`全部匹配了，结果`0*`只能匹配空字符串了。
必须让`\d+`采用非贪婪匹配（也就是尽可能少匹配），才能把后面的`0`匹配出来，加个`?`就可以让`\d+`采用非贪婪匹配：
~~~
>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')
~~~
结语：正则虽然理解起来可能会有一点难，确实一个难得的好东西，熟练掌握正则，不仅可以提高程序的运行速度，还能缩短我们的工作时间。
最后附上转载地址：[https://www.cnblogs.com/CYHISTW/p/11363209.html](https://www.cnblogs.com/CYHISTW/p/11363209.html)
