正则表达式

1. re模块操作

在Python中需要通过正则表达式对字符串进行匹配的时候，可以使用一个模块，名字为re

    #coding=utf-8

    # 导入re模块
    import re

    # 使用match方法进行匹配操作
    result = re.match(正则表达式,要匹配的字符串)

    # 如果上一步匹配到数据的话，可以使用group方法来提取数据
    result.group()

re.match() 能够匹配出以xxx开头的字符串

2. 匹配单个字符

正则表达式的单字符匹配

字符	功能
.	匹配任意1个字符（除了\n）
[ ]	匹配[ ]中列举的字符
\d	匹配数字，即0-9
\D	匹配非数字，即不是数字
\s	匹配空白，即 空格，tab键
\S	匹配非空白
\w	匹配单词字符，即a-z、A-Z、0-9、_
\W	匹配非单词字符

"""

匹配单个字符

"""
print("*" * 40, "匹配单个字符", ("*" * 40))

print(re.match(r"速度", "速度与激情6"))

# \d 匹配 单个 数字
print(re.match(r"速度与激情\d", "速度与激情6"))

# \D 匹配非数字
print(re.match(r"速度与激情\D", "速度与激情1"))

# [] 匹配12345678
print(re.match(r"速度与激情[12345678]", "速度与激情6"))

# [] 匹配1-8
print(re.match(r"速度与激情[1-8]", "速度与激情8"))

# [] 匹配1-2  6-9
print(re.match(r"速度与激情[1-26-9]", "速度与激情7"))

# [] 匹配1-8 a-z A-Z
print(re.match(r"速度与激情[1-8a-zA-Z]", "速度与激情d"))

# \w 匹配0-9 a-z A-Z _ 以及 中文 俄文等（慎用）
print(re.match(r"速度与激情\w", "速度与激情哈"))

# \s 匹配空白（不常用）
print(re.match(r"速度与激情\s", "速度与激情1"))

# \S 匹配非空白（不常用）
print(re.match(r"速度与激情\S", "速度与激情1"))

# . 匹配所有，除了\n
print(re.match(r"速度与激情.", "速度与激情^"))

3. 匹配多个字符

匹配多个字符的相关格式

字符	功能
*	匹配前一个字符出现0次或者无限次，即可有可无
+	匹配前一个字符出现1次或者无限次，即至少有1次
?	匹配前一个字符出现1次或者0次，即要么有1次，要么没有
{m}	匹配前一个字符出现m次
{m,n}	匹配前一个字符出现从m到n次

"""

匹配多个字符

"""
print("*" * 40, "匹配多个字符", ("*" * 40))

# {m}匹配前一个字符出现m次-- 匹配11位置数字
print(re.match(r"\d{11}", "12345678901"))

# {m,n}匹配前一个字符出现m-n次-- 匹配1-5位数字
print(re.match(r"\d{1,5}", "12345678901"))

# ? 前一个字符最多出现1次或者不出现（最多一个）
print(re.match(r"\d{3,4}-?\d{7,8}", "0537-12345578").group())

# * 匹配前一个字符出现无限次或0次，即可有可无，包括""
print(re.match(r".*", "dfadgdagagag"))

# + 匹配前一个字符出现无限次或1次，即至少有一次
print(re.match(r".+", "dfadgdagagag"))

# \ 转译 如果需要用到.+等普通字符，\转译即可
print(re.match(r"\.\+", ".+"))

4. 匹配开头结尾

字符	功能
^	匹配字符串开头
$	匹配字符串结尾

# ^ 匹配字符串开头
print(re.match(r"^d", "dfadgdagagag"))

# $ 匹配字符串结尾
print(re.match(r".*a$", "23423a"))

email_list = ["xiaoWang@163.com", "xiaoWang@163.comheihei", ".com.xiaowang@qq.com"]

for email in email_list:
    ret = re.match("[\w]{4,20}@163\.com$", email)
    if ret:
        print("%s 是符合规定的邮件地址,匹配后的结果是:%s" % (email, ret.group()))
    else:
        print("%s 不符合要求" % email)

运行结果：

xiaoWang@163.com 是符合规定的邮件地址,匹配后的结果是:xiaoWang@163.com
xiaoWang@163.comheihei 不符合要求
.com.xiaowang@qq.com 不符合要求

5. 匹配分组

字符	功能
|	匹配左右任意一个表达式
(ab)	将括号中字符作为一个分组
\num	引用分组num匹配到的字符串
(?P<name>)	分组起别名
(?P=name)	引用别名为name分组匹配到的字符串

注意：(?P<name>)和(?P=name)中的字母p大写

"""

分组

"""
print("*" * 40, "分组", ("*" * 40))

# | 匹配左右两边的任意一个---> 匹配a或者b
print(re.match(r"a|b", "b"))

# () 分组 ---> 匹配分组中的163或者qq或者126
print(re.match(r"^[a-zA-z0-9_]{4,20}@(163|qq|126)\.com$", "hello@qq.com").group())

# () 分组 ---> 通过group(i) 获取分组中的数据
print(re.match(r"(^[a-zA-z0-9_]{4,20})@(163|qq)\.com$", "hello@qq.com").group(1))
print(re.match(r"(^[a-zA-z0-9_]{4,20})@(163|qq)\.com$", "hello@qq.com").group(2))

html_str = "<h1>hahahahaha</h1>"

print(re.match(r"<\w*>.*</\w*>", html_str).group())

# \num 引用 分组num 匹配到的字符串，保持一致
print(re.match(r"<(\w*)>.*</\1>", html_str).group())

# (?P<name>) 分组起别名
# (?P=name) 引用别名为name的分组匹配到字符串
print(re.match(r"<(?P<a>\w*)>.*</(?P=a)>", html_str).group())

6. re模块的高级用法（python特有）

search

需求：匹配出文章阅读的次数

#coding=utf-8
import re

ret = re.search(r"\d+", "阅读次数为 9999")
ret.group()

findall

需求：统计出python、c、c++相应文章阅读的次数

#coding=utf-8
import re

ret = re.findall(r"\d+", "python = 9999, c = 7890, c++ = 12345")
print(ret)

sub 将匹配到的数据进行替换

#coding=utf-8
import re

def add(temp):
    strNum = temp.group()
    num = int(strNum) + 1
    return str(num)

ret = re.sub(r"\d+", add, "python = 997")
print(ret)

ret = re.sub(r"\d+", add, "python = 99")
print(ret)

split 根据匹配进行切割字符串，并返回一个列表

需求：切割字符串“info:xiaoZhang 33 shandong”

#coding=utf-8
import re

ret = re.split(r":| ","info:xiaoZhang 33 shandong")
print(ret)

7. python贪婪和非贪婪

Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；

非贪婪则相反，总是尝试匹配尽可能少的字符。

在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。

content_html = """
<article class="_2rhmJa">
<h4>仔细理解如下的通俗描述</h4>
<ul>
<li>有一个老板想要开个工厂进行生产某件商品（例如剪子）</li>
<li>他需要花一些财力物力制作一条生产线，这个生产线上有很多的器件以及材料这些所有的 为了能够生产剪子而准备的资源称之为：进程</li>
<li>只有生产线是不能够进行生产的，所以老板的找个工人来进行生产，这个工人能够利用这些材料最终一步步的将剪子做出来，这个来做事情的工人称之为：线程</li>
<li>这个老板为了提高生产率，想到3种办法：
<ol>
<li>在这条生产线上多招些工人，一起来做剪子，这样效率是成倍増长，即单进程 多线程方式</li>
<li>老板发现这条生产线上的工人不是越多越好，因为一条生产线的资源以及材料毕竟有限，所以老板又花了些财力物力购置了另外一条生产线，然后再招些工人这样效率又再一步提高了，即多进程 多线程方式</li>
<li>老板发现，现在已经有了很多条生产线，并且每条生产线上已经有很多工人了（即程序是多进程的，每个进程中又有多个线程），为了再次提高效率，老板想了个损招，规定：如果某个员工在上班时临时没事或者再等待某些条件（比如等待另一个工人生产完谋道工序 之后他才能再次工作） ，那么这个员工就利用这个时间去做其它的事情，那么也就是说：如果一个线程等待某些条件，可以充分利用这个时间去做其它事情，其实这就是：协程方式</li>
</ol>
</li>
</ul>
<h4>总结</h4>
<ol>
<li>进程是资源分配的单位</li>
<li>线程是操作系统调度的单位</li>
<li>进程切换需要的资源很最大，效率很低</li>
<li>线程切换需要的资源一般，效率一般（当然了在不考虑GIL的情况下）</li>
<li>协程切换任务资源很小，效率高</li>
<li>多进程、多线程根据<哈哈哈>cpu核数不一样可能是并行的，但是协程是在一个线程中 所以是并发</li>
</ol>
</article>
"""



content = re.sub(r"<.*?>", "", content_html)

print(content)

8. r的作用

>>> mm = "c:\\a\\b\\c"
>>> mm
'c:\\a\\b\\c'
>>> print(mm)
c:\a\b\c
>>> re.match("c:\\\\",mm).group()
'c:\\'
>>> ret = re.match("c:\\\\",mm).group()
>>> print(ret)
c:\
>>> ret = re.match("c:\\\\a",mm).group()
>>> print(ret)
c:\a
>>> ret = re.match(r"c:\\a",mm).group()
>>> print(ret)
c:\a
>>> ret = re.match(r"c:\a",mm).group()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'
>>>

说明

Python中字符串前面加上 r 表示原生字符串，

与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符""，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。

Python里的原生字符串很好地解决了这个问题，有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。

>>> ret = re.match(r"c:\\a",mm).group()
>>> print(ret)
c:\a