Python学习笔记（2）正则表达式
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。
在 Python 中，使用 re 模块提供的函数来处理正则表达式，允许你在字符串中进行模式匹配、搜索和替换操作。
1 正则表达式
正则表达式(Regular Expression)是一种文本模式，包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"），可以用来描述和匹配字符串的特定模式。
正则表达式是一种用于模式匹配和搜索文本的工具。
正则表达式提供了一种灵活且强大的方式来查找、替换、验证和提取文本数据。
下面先给出一个简单的示例：
^为匹配输入字符串的开始位置。[0-9]+匹配多个数字，[0-9]匹配单个数字，+匹配一个或者多个。abc$匹配字母 abc 并以 abc 结尾，$为匹配输入字符串的结束位置。
再举一个例子，只允许用户名包含字符、数字、下划线和连接字符 -：
^表示匹配字符串的开头。- `[a-zA-Z0-9_-]`` 表示字符集，包含小写字母、大写字母、数字、下划线和连接字符 -。
{3,15}表示前面的字符集最少出现 3 次，最多出现 15 次，从而限制了用户名的长度在 3 到 15 个字符之间。$表示匹配字符串的结尾。
以上的正则表达式可以匹配 runoob、runoob1、run-oob、run_oob， 但不匹配 ru，因为它包含的字母太短了，小于 3 个无法匹配。也不匹配 runoob$, 因为它包含特殊字符。
1.1 正则表达式元字符和特性
1.1.1 字符匹配
普通字符： 普通字符按照字面意义进行匹配，例如匹配字母 “a” 将匹配到文本中的 “a” 字符。
元字符： 元字符具有特殊的含义，例如 \d 匹配任意数字字符，\w 匹配任意字母数字字符，. 匹配任意字符（除了换行符）等。
1.1.2 量词
*：匹配前面的模式零次或多次。+：匹配前面的模式一次或多次。?：匹配前面的模式零次或一次。{n}：匹配前面的模式恰好 n 次。{n,}：匹配前面的模式至少 n 次。{n,m}：匹配前面的模式至少 n 次且不超过 m 次。
1.1.3 字符类
[ ]：匹配括号内的任意一个字符。例如，[abc] 匹配字符 “a”、“b” 或 “c”。[^ ]：匹配除了括号内的字符以外的任意一个字符。例如，[^abc]匹配除了字符 “a”、“b” 或 “c” 以外的任意字符。
1.1.4 边界匹配
^：匹配字符串的开头。$：匹配字符串的结尾。\b：匹配单词边界。\B：匹配非单词边界。
1.1.5 分组和捕获
( )：用于分组和捕获子表达式。(?: )：用于分组但不捕获子表达式。
特殊字符\：转义字符，用于匹配特殊字符本身。.：匹配任意字符（除了换行符）。|：用于指定多个模式的选择。
详细教程参考：https://www.runoob.com/regexp/regexp-tutorial.html
2 Python的正则表达式处理模块
2.1 re.match函数
re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match() 就返回 None。
函数语法：
re.match(pattern, string, flags=0)
'''
- pattern 匹配的正则表达式
- string 要匹配的字符串。
- flags 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见：正则表达式修饰符 - 可选标志
'''
import re
print(re.match('www', 'www.runoob.com')) # 在起始位置匹配
print(re.match('com', 'www.runoob.com')) # 不在起始位置匹配
运行结果：
第一个输出的是(0,3)，即匹配成功的索引，第二个虽然原字符串中有，但不是从起始位置开始匹配成功的，所以输出None
匹配成功 re.match 方法返回一个匹配的对象，否则返回 None。 我们可以使用 group(num) 或 groups() 匹配对象函数来获取匹配表达式。
'''
- group(num=0) 匹配的整个表达式的字符串，group() 可以一次输入多个组号，在这种情况下它将返回一个包含那些组所对应值的元组。
- groups() 返回一个包含所有小组字符串的元组，从 1 到 所含的小组号。
'''
import re
line = "Cats are smarter than dogs"
matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)
# 匹配包含 "are" 的句子，并分别捕获 "are" 前后的部分内容
if matchObj:
print ("matchObj.group() : ", matchObj.group())
print ("matchObj.group(1) : ", matchObj.group(1))
print ("matchObj.group(2) : ", matchObj.group(2))
else:
print ("No match!!")
运行结果：
第一个是输出匹配的字符串，第二个是输出第一个匹配成功的元素，第三个是输出第二个匹配成功的元素，
2.2 re.search方法
re.search 扫描整个字符串并返回第一个成功的匹配。
函数语法：
re.search(pattern, string, flags=0)
'''
- pattern 匹配的正则表达式
- string 要匹配的字符串。
- flags 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见：正则表达式修饰符 - 可选标志
'''
import re
print(re.search('www', 'www.runoob.com')) # 在起始位置匹配
print(re.search('com', 'www.runoob.com')) # 不在起始位置匹配
运行结果：
第一个输出是’www’在字符串中的索引，第二个输出是’com’在字符串中的索引，同样可以使用group(num) 或 groups()
2.3 检索和替换
Python 的re模块提供了re.sub用于替换字符串中的匹配项。
函数语法：
前三个为必选参数，后两个为可选参数。
re.sub(pattern, repl, string, count=0, flags=0)
'''
- pattern : 正则中的模式字符串。
- repl : 替换的字符串，也可为一个函数。
- string : 要被查找替换的原始字符串。
- count : 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。
- flags : 编译时用的匹配模式，数字形式。
'''
import re
phone = "2004-959-559 # 这是一个电话号码"
# 匹配以 # 开头并直到行末的所有内容，然后用空替换
num = re.sub(r'#.*$', "", phone)
print ("电话号码 : ", num)
# 匹配任何非数字字符，然后用空替换
num = re.sub(r'\D', "", phone)
print ("电话号码 : ", num)
运行结果：
2.4 repl 参数
repl 参数是一个函数，以下实例中将字符串中的匹配的数字乘以 2：
import re
# 将匹配的数字乘以 2
def double(matched):
value = int(matched.group('value'))
return str(value * 2)
s = 'A23G4HFD567'
print(re.sub('(?P<value>\d+)', double, s))
# 用于匹配一个或多个数字，并将匹配的结果命名为Value，然后执行double函数
运行结果：
2.5 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。
函数语法：
re.compile(pattern[, flags])
'''
- pattern : 一个字符串形式的正则表达式
- flags 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：
re.IGNORECASE 或 re.I - 使匹配对大小写不敏感
re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
re.MULTILINE 或 re.M - 多行模式，改变 ^ 和 $ 的行为，使它们匹配字符串的每一行的开头和结尾。
re.DOTALL 或 re.S - 使 . 匹配包括换行符在内的任意字符。
re.ASCII - 使 \w, \W, \b, \B, \d, \D, \s, \S 仅匹配 ASCII 字符。
re.VERBOSE 或 re.X - 忽略空格和注释，可以更清晰地组织复杂的正则表达式。
这些标志可以单独使用，也可以通过按位或（|）组合使用。例如，re.IGNORECASE | re.MULTILINE 表示同时启用忽略大小写和多行模式。
'''
pattern1 = re.compile(r'\d+') # 用于匹配一个或多个连续的数字。
m1 = pattern1.match('one12twothree34four') # 从头部开始匹配
print( m1 )
pattern2 = re.compile(r'\d+') # 用于匹配一个或多个连续的数字。
m2 = pattern2.search('one12twothree34four') # 都可以匹配
print( m2 )
运行结果：
2.6 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，如果有多个匹配模式，则返回元组列表，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(pattern, string, flags=0)
# 或
pattern.findall(string[, pos[, endpos]])
'''
- pattern 匹配模式。
- 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。
'''
下面举一个例子，查找字符串中的所有数字：
import re
result1 = re.findall(r'\d+','runoob 123 google 456')
pattern = re.compile(r'\d+') # 查找数字
result2 = pattern.findall('runoob 123 google 456')
result3 = pattern.findall('run88oob123google456', 0, 10)
print(result1)
print(result2)
print(result3)
运行结果：
多个匹配模式，返回元组列表：
import re
# 匹配一个或多个字母、数字或下划线组成的单词，后面紧跟着一个等号 =，再后面是一个或多个数字。这个表达式通常用来匹配类似 key=123 的键值对格式。
result = re.findall(r'(\w+)=(\d+)', 'set width=20 and height=10')
print(result)
运行结果：
2.7 re.finditer
和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。
语法格式：
re.finditer(pattern, string, flags=0)
import re
it = re.finditer(r"\d+","12a32bc43jf3")
for match in it:
print (match.group() )
运行结果：
2.8 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。
语法格式：
re.split(pattern, string[, maxsplit=0, flags=0])
'''
- pattern 匹配的正则表达式
- string 要匹配的字符串。
- maxsplit 分割次数，maxsplit=1 分割一次，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。
'''
import re
re.split('\W+', 'runoob, runoob。runoob.')# 用于匹配一个或多个连续的非单词字符，然后以这些来分割
运行结果：
re.split('a*', 'hello world') # 对于一个找不到匹配的字符串而言，split 不会对其作出分割
运行结果：
2.9 正则表达式对象
2.9.1 re.RegexObject
re.compile() 返回 RegexObject 对象。
2.9.2 re.MatchObject
group() 返回被 RE 匹配的字符串。
start()返回匹配开始的位置end()返回匹配结束的位置span()返回一个元组包含匹配 (开始,结束) 的位置
具体的正则表达式修饰符 - 可选标志、正则表达式模式、正则表达式实例这里不再详述