python小知识-正则表达

正则表达式是一种匹配字符串的规则，我们可以通过正则表达式去搜索指定规则的字符串。

如果你有需要匹配字符串，正则是一种选择，特别是匹配规则比较复杂的情况下。正则表达式最常用的地方是爬虫，在爬取网页时，指定你需要爬取的内容。

python中的模块re提供了解析正则匹配的规则。

因为正则规则比较不容易理解，理解了规则也会很快忘记，所以建议是了解常用的使用，有具体的匹配需求再去了解是否有规则可以满足你的要求。

1. 正则的四种规则

所以我们先通过一个简单的例子来了解下re正则匹配

import re
pattern = "\w+"
ret = re.match(pattern, "a12323abc")
print(ret)
# <_sre.SRE_Match object; span=(0, 9), match='a12323abc'>

正则规则可以分四种:

• 1. 单个字符， 如上面例子中\w表示普通字符(数字、字母或下划线)；其他如下：

  

• 1. 数量， 如上面例子中+表示重复一次或者多次， ?表示重复0次或者一次

  

• 1. 字符组，就是一组字符，用[]包含起来，如果在一个字符组里枚举所有字符，字符组里的任意一个字符和"待匹配字符"相同都视为可以匹配

  

• 1. 位置： ^表示匹配开头，$表示匹配结尾

上面例子中"\w+"表示只要是一个或者多个普通字符都算匹配，如何匹配re.match返回非None，否则返回None

我们在看一个匹配邮箱的里子

# @前面是一个或者多个字符，@后面是一个或者多个字符， 接着最后.com
pattern = "\w+@\w+\.com"
ret = re.match(pattern, "yuyq@163.com")
print(ret)
# <_sre.SRE_Match object; span=(0, 12), match='yuyq@163.com'>

pattern = "\w+@\w+\.com"
ret = re.match(pattern, "yuyqx163.com")
print(ret)
# None

pattern = "\w+@(\w+\.)?\w+\.com"
ret = re.match(pattern, "hello123@1xheuet..edu.com")
print(ret)
# None

从上面例子需要知道：

• 由于.是正则里的特殊字符，需要转义\.
• (\w+\.)? 中？表示0或者多个，也可以理解有也可以没有也可以，（）表示包括的字符是一起的，也就是说 abc.ax. 类似这种是匹配的。上面最后一个例子中多个一个.不符合规则

2. match和search的区别

re除了提供match，还提供search,findall,sub,split等函数；其中match和search，findall提供搜索匹配，sub提供替换，split提供分割。

那match和search有什么区别？

pattern = "(acb)+"
ret = re.match(pattern, "dacbbacb1b")
print(ret)
# None

ret = re.search(pattern, "dacbbacb1b")
print(ret)
# <_sre.SRE_Match object; span=(1, 4), match='acb'>

ret = re.findall(pattern, "dacbbacb1b")
print(ret)
# ['acb', 'acb']

上面的例子，待匹配的字符串中明明有acb为什么match没有匹配成功，原因是：

• re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None
• re.search匹配整个字符串，直到找到一个匹配
• 而re.findall 是匹配所有

我们来看看sub和split的例子

import re
# ":| "表示用：或者空格匹配，|表示只要匹配其中一个规则就可以
ret = re.split(r":| ","info:xiaoZhang 33 shandong")
print(ret)
# ['info', 'xiaoZhang', '33', 'shandong']

import re
# 如果"python = 997"中的1个或者多个数字（/d)就是997，使用前面的xx替换
ret = re.sub(r"\d+", "xx", "python = 997")
print(ret)
# python = xx

3. 更多的例子

我们来看几个个复杂的例子

# 匹配1-100
pattern = "[1-9]?\d$|100"
ret = re.match(pattern, "102")
print(ret)
# None

规则解说：

• [1-9]?表示0或者1个0到9的其中一个数字，
• 然后\d$是以一个数字结尾；$表示结尾
• |100也是匹配的

pattern = "[a-zA-Z0-9_]{8,20}"
ret = re.match(pattern, "000000000.")
print(ret)
# None

规则解说：

• [a-zA-Z0-9_] 必须是大写字母，小写字母，数字和下划线例的字符
• {8,20}：数量是8到20个

4. 正则的贪婪与⾮贪婪

正则还有一个匹配原则是最多匹配（贪婪）和最少匹配（⾮贪婪）

• 正则表达式默认为贪婪匹配，也就是尽可能多的向后匹配字符，比如 {n,m} 表示匹配前面的内容出现 n 到 m 次（n 小于 m），在贪婪模式下，首先以匹配 m 次为目标
• 而在非贪婪模式是尽可能少的向后匹配内容，也就是说匹配 n 次即可

贪婪模式转换为非贪婪模式的方法很简单，在元字符后添加?即可实现

pattern = "b+"
ret = re.match(pattern, "bbacb1b")
print(ret.group())
# bb

pattern = "b+?"
ret = re.match(pattern, "bbacb1b")
print(ret.group())
# b

从上面例子可以：

• 默认是贪婪模式，匹配到最多；规则是一个或者多个b，有多少个b就有输出多少个b
• 加?是非贪婪模式，规则是一个或者多个b，就匹配一个b
• 通过group()输出匹配的字符串

5. 后记

正则规则通常很容易忘记，这里提供一个比较清晰的规则备忘，需要使用的可以查看

• http://c.biancheng.net/python_spider/regexp-syntax.html

总之，记得有re正则这个字符匹配工具，遇到合适场景就可以亮出它。希望对你有帮助！