十一、Python正则
编辑日期: 2024-11-28 文章阅读: 次
十一、Python正则
正则应用广泛，不仅在Python语言中使用，其他语言也都在用，并且不同语言间的正则语法极为相似。同时主流操作系统，尤其linux系统的命令窗口中，也会经常使用到正则。还有，Python的常用包如Pandas，也经常遇到正则。 不仅引用广泛，正则的功能本身很强大，书写简便，因此这项技能值得我们仔细研究和掌握。
1 正则学习前的几个准备
Q1 字符 r是干啥的？
经常见过正则表达式前有一个字符 r，它的作用是告诉解释器后面的一串是原生字符串，按照字面意思解释即可。如：
s1 = r'\n.*'
print(s1)
它告诉编译器s串第一个字符是\，第二个字符是n.打印的结果就是它本身：
\n.*
而如果不带前缀字符r，即：
s2 = '\n.*'
print(s2)
解释器认知前两个字符\n为转义字符，一个新行的意思，打印结果为一个换行加.*：
.*
Q2 什么是一个原子操作？
微观世界中，如果定义原子是组成事物的最基本单元，那么就可理解为原子不能再分了。同理此处，正则的原子操作是指不能再被分割的正则表达式操作。
如正则中的+指前面的一个原子操作出现至少1次。例如： 66+表示至少要有2个6紧邻(下面会详细讲到)；
而\w+表示字母数字下划线中的任意一个字符(\w指代的)至少出现1次，那么\w就是一个原子操作。
因此，普通字符是原子，正则中的通用字符(下面会讲到)也是原子。大家记住原子这个概念。
Q3 怎么理解正则中的转义？
正则世界中，重新定义一套新的转义字符。
一个转义字符\+一个字符，转义后会改变原字符的意义，它不再是它，而是赋予一个新的含义。
例如，w本身就是一个英文字符w，没有其他任何指代。但是，前面加一个转义字符 \ 后，含义发生重大改变，w它不再是w，而是\要与w连在一起，被解释器解释为匹配以下字符集合中的任意一个：
pat = '\w'
等于：
pat = '[0123456789
AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz
_]'
即匹配数字、大小写字母和下划线_字符中的任意一个。
你看一个通用转义字符\w直接就指代了上面这一大串，写法极其简便，同时在正则的世界里又经常被用到，故被称为：通用正则字符
类似的通用正则字符还有几个，下面也会讲到几个，不过做一件事前，把规则弄清，触类旁通，相信大家理解其他几个也没问题了。
2 掌握最常用规则
为了更清晰的展示规则，我们只涉及最常用的规则，一来缩短篇幅，二来降低大家学习曲线，三来一类问题掌握一个，触类旁通即可。
情况1：最普通查找
最普通查找就是需要找啥就写啥，没有使用规则。如下从小说《灿烂千阳》的这段话中，找出单词friendship，可能出现多次：
s = """
"""
使用正则前，先导入re模块，再定义正则表达式，然后使用findall方法找出所有匹配
import re
pat = 'friendship'
result = re.findall(pat,s)
print(result)
以上就是使用正则的最普通例子。如果要找出前缀为grow的单词，比如可能为grows, growing 等，最普通查找实现起来就不方便。借助于下面介绍的元字符、通用字符和捕获组合起来能实现强大的查找功能。
情况2：使用通用字符
在正则的世界里，通用字符指帮助我们更加简便的写出匹配规则的字符。如上面这段文字，使用下面正则匹配串找出子串中以d开始，[a-z]表示任意一个小写英文字符，{7}表示小写英文字符出现7次(下面情况3会说到)，也就是匹配出来的子串长度为1+7=8:
pat = 'd[a-z]{7}'
result = re.findall(pat,s)
匹配结果为：
['daughter', 'desperat', 'daunting', 'destruct', 'destruct']
同理模式串pat = 'd[a-z]{10}'匹配的结果为：
['destruction', 'destructibl']
模式串pat = 'd[a-z]{11}'匹配的结果为：
[ 'destructible']
你看通用字符[a-z]使用真方便，5个字符一下就表达了所有26个小写的字符，但是注意[a-z]匹配26个小写字符的任意一个.
类似功能的通用字符还包括：
[A-Z] 匹配大写英文字母
[0-9] 匹配一个0-9之间的数字
还有更加强大的通用字符：
\s 匹配空白字符，如\n \t \b等
\w 匹配任意字母、数字、下划线
\d 匹配十进制数字0-9
而\S, \W, \D 分别对应 \s, \w, \d匹配字符集的补集，例如\S 的意思是匹配 \s 以外的其他任意字符。
情况3：使用元字符
元的含义大家不妨理解用来描述它后面事物的类，如元类用来创建描述类的类，元模型描述一个模型的模型，因此推而广之，元字符用来描述字符的字符。
理解以上后，你再看正则中使用最普遍的一个元字符 +，它是用来描述前面一个原子出现次数的字符，表示前一个原子出现1次或多次都可。
例如，在寻找手机靓号时，正则表达式66+，表示前一个原子6至少出现1次，因此连上第一个6，表示电话号码中至少有两个66紧邻。因此，电话号码18612652166、17566665656都满足要求，而号码18616161616不符合要求。
类似功能的元字符，还包括如下，功能相似，不再赘述：
* 前面的原子重复0次、1次、多次
? 前面的原子重复0次或者1次
+ 前面的原子重复1次或多次
{n} 前面的原子出现了 n 次
{n,} 前面的原子至少出现 n 次
{n,m} 前面的原子出现次数介于 n-m 之间
3 有个棘手的场景
了解以上规则后，我们能去完成很多匹配任务，比如一些字符串匹配任务；查找某个手机号是不是靓号；找到文字中出现某个模式的所有地方。
但是，使用正则还会经常遇到的一大场景。试想，从一个文件里提取出所有如下格式的链接，并全部导出来：
https://github.com/jackzhenguo/python-small-examples
https://gitbook.cn/gitchat/column/5e37978dec8d9033cf916b5d
截止目前，我们还不能完成这样的匹配任务。鉴于这种匹配任务确实很常见，因此你很有必要学会下面这项技能。
4 学会提取子串的技能
今天以我写过的《Python 60天》专栏中的一段文字，提取出里面的链接为例，阐述提取子串的实用性。
先贴上文字(有删减改动)，将这段文字赋值给变量 urls：
urls = """
基于 Python 的包更是枝繁叶茂，遍地开花，
“Tiobe 编程语言排行榜”最新统计显示 Python 是增长最快的语言。
接下来，与大家，还有远在美国做 AI 博士后研究的 Alicia，
一起开始我们的 60 天 Python 探索之旅吧。
所有的这些考虑，都是为了让大家在短时间内掌握 Python 技术栈，
多一个生存的本领。拿到理想的 Offer 后，早日过上自己想要的生活。
让我们开始吧。
如下，按照是否为静态/动态语言，弱类型/强类型两个维度，
总结常用的语言分类。
![image-20200205155429583]
(https://chat-ex.com/assets/4947886526.png)
"""
你可能很快写出如下的正则表达式：
pat = r'https:.*'
然后导入re模块，使用findall方法找出所有匹配：
import re
result = re.findall(pat,urls)
print(result)
运行结果显示如下，观察发现2个匹配，但是每个匹配链接都包括冗余字符，因此匹配错误：
['https://images.gitbook.cn
/2020-02-05-014719.png)',
'https://images.gitbook.cn
/2020-02-05-080211.png) ### 四大基本语法']
我们再稍微优化原正则表达式为：
pat = r'https:.*\)'
打印结果显示如下，结果确实好一点，但是依然包括右括号，结果还是错误的：
['https://images.gitbook.cn/
2020-02-05-014719.png)',
'https://images.gitbook.cn/
2020-02-05-080211.png)']
所以掌握提取子串的技能就很重要，实现提取子串也很简单，只需把想要返回的子串加上一对括号就行，如下所示：
pat = r'(https:.*)\)'
此时返回结果完全正确，无任何多余字符。想要返回的子串外面添加一对括号还有个专业叫法：捕获或分组。
5 使用捕获的注意事项
捕获功能非常实用，使用它需要区分一点，贪婪捕获和非贪婪捕获。前者指在满足匹配模式前提下，返回包括尽可能多的字符匹配模式；后者相对的满足匹配条件下，尽可能少的捕获。
我们伪造一个理想状况下的案例：
htmlContent = """
<div><div><h2>这是二级标题</h2></div><div><p> 这是一个段落>/p></div></div>
"""
贪心捕获使用(.*)，如下所示：
pat = r"<div>(.*)</div>"
result = re.findall(pat,htmlContent)
结果为如下，尽可能长的捕获，而不是遇到第一个</div>时就终止：
['<div><h2>这是二级标题</h2></div><div><p> 这是一个段落>/p></div>']
而非贪心捕获的正则表达式为<div>(.*?)</div>"，如下：
pat = r"<div>(.*?)</div>"
result = re.findall(pat,htmlContent)
print(result)
结果为两个元素，遇到第一个</div>时终止，然后继续捕获出第二子串：
['<div><h2>这是二级标题</h2>',
'<p> 这是一个段落>/p>']
以上例子仅仅用作演示两者区别，实际的html结构含有换行符等，环境比上面要复杂的多，贪心和非贪心的捕获的写法可能不会导致结果不同，但是我们依然需要理解它们的区别。
Python内置一个时间模块datetime，提供我们关于时间的表达。记录时间无所不在，日志文件，程序运行起始时间和时长，销量预测的特征等等，我们都能看到时间的身影。
这篇专题总结datetime模块最主要用法，希望通过此文，大家使用那些时间处理的常用API时，能信手拈来，不用help函数，不用搜索。
Python 20个专题完整目录：
