概念&作用

正則表達(dá)式是一種用來描述文本模式的工具，它可以幫助你在字符串中查找、匹配、替換符合某種模式的文本。通過使用正則表達(dá)式，你可以定義一些規(guī)則，然后在文本中查找符合這些規(guī)則的內(nèi)容。正則表達(dá)式可以用于各種編程語言和文本處理工具中，例如Python、JavaScript、Perl等。

python中的正則表達(dá)式

在python中，內(nèi)置的 re 模塊提供了對正則表達(dá)式的支持，這使得在 Python 中處理文本數(shù)據(jù)變得非常方便和高效。正則表達(dá)式在 Python 中非常有用，主要是因?yàn)閞e模塊具有強(qiáng)大的模式匹配功能、文本處理的靈活性、替換和修改文本的能力以及Python 的易用性和廣泛應(yīng)用。

基礎(chǔ)構(gòu)成

字符

正則表達(dá)式中的字符可以是字母、數(shù)字或符號，它們代表自身字符。例如，a 匹配字符 "a"。

元字符

元字符是具有特殊含義的字符，它們不僅僅代表自身字符。一些常見的元字符包括

量詞

量詞用于指定匹配字符重復(fù)出現(xiàn)的次數(shù)，常見的量詞包括：

原始字符串

在Python中，r字符串是一種特殊的字符串表示形式，被稱為原始字符串（raw string）。在原始字符串中，反斜杠 \ 不會(huì)被解釋為轉(zhuǎn)義字符，而是作為普通字符對待。這意味著在原始字符串中，反斜杠后面的字符會(huì)保持原樣，不會(huì)被轉(zhuǎn)義。

例如，在普通字符串中，要表示一個(gè)Windows文件路徑，你需要使用雙反斜杠來轉(zhuǎn)義，如下所示：

path = "C:\\Users\\username\\Documents\\file.txt"

而在原始字符串中，你可以直接寫成：

path = r"C:\Users\username\Documents\file.txt"

這使得處理一些特殊字符串，如正則表達(dá)式模式或文件路徑，更加方便，因?yàn)槟銦o需擔(dān)心轉(zhuǎn)義字符帶來的影響。

re模塊

Python 的正則表達(dá)式模塊 re 提供了一系列功能，讓你可以在字符串中進(jìn)行模式匹配、查找和替換等操作。你提到的 re.match()、re.search()、re.findall() 、 re.sub()和re.compile() 是其中常用的幾個(gè)函數(shù)。

re.match

re.match(pattern, string, flags=0)嘗試從字符串的開頭匹配一個(gè)模式。如果字符串開頭匹配成功，則返回一個(gè)匹配對象；否則返回 None。這意味著它只匹配字符串的開頭位置。

import re

pattern = r'hello'
string = 'hello world'
match_obj = re.match(pattern, string)
if match_obj:
    print("Match found:", match_obj.group())
else:
    print("No match found")

# Match found: hello

re.search

re.search(pattern, string, flags=0)與re.match(pattern, string, flags=0)類似，但是它在整個(gè)字符串中搜索匹配項(xiàng)，返回第一個(gè)匹配到的對象。這意味著它可以匹配字符串的任意位置。

import re

pattern = r'world'
string = 'hello world'
search_obj = re.search(pattern, string)
if search_obj:
    print("Match found:", search_obj.group())
else:
    print("No match found")

# Match found: world

re.findall

re.findall(pattern, string, flags=0)在字符串中找到所有匹配項(xiàng)，并以列表的形式返回。它不同于 re.match() 和 re.search()，它不返回匹配對象，而是直接返回匹配的字符串列表。

import re

pattern = r'lo'
string = 'hello world'
matches = re.findall(pattern, string)
print("Matches found:", matches)

# Matches found: ['lo']

re.sub

re.sub(pattern, repl, string, count=0, flags=0)用來在字符串中查找匹配項(xiàng)，并替換為指定的字符串。它返回替換后的新字符串。

import re

pattern = r'world'
replacement = 'universe'
string = 'hello world'
new_string = re.sub(pattern, replacement, string)
print("New string:", new_string)

# New string: hello universe

re.compile

re.compile(pattern, flags=0)是Python 中用于預(yù)編譯正則表達(dá)式模式的函數(shù)。這個(gè)函數(shù)接受一個(gè)正則表達(dá)式作為參數(shù)，并返回一個(gè)正則表達(dá)式對象，這個(gè)對象可以被用來執(zhí)行匹配操作。這個(gè)函數(shù)諸多優(yōu)點(diǎn)：

• 提高效率： 編譯后的正則表達(dá)式對象可以在多次使用時(shí)提高匹配效率。因?yàn)榫幾g后的對象已經(jīng)將正則表達(dá)式模式編譯為內(nèi)部數(shù)據(jù)結(jié)構(gòu)，避免了每次匹配都要重新解析模式的開銷。
• 可重用性： 編譯后的正則表達(dá)式對象可以在多個(gè)地方使用，而不需要每次都重新編譯正則表達(dá)式模式，提高了代碼的可重用性。
• 簡化代碼： 將常用的正則表達(dá)式模式預(yù)先編譯，可以簡化代碼，使代碼更加清晰易懂。

import re

# 編譯正則表達(dá)式模式
pattern = re.compile(r'\d{3}-\d{3}-\d{4}')

# 使用編譯后的對象進(jìn)行匹配操作
result = pattern.search("John's phone number is 123-456-7890.")
if result:
   print("Phone number found:", result.group())
else:
   print("Phone number not found.")

# Phone number found: 123-456-7890

flag的可選值

• re.IGNORECASE 或 re.I： 忽略大小寫匹配。
• re.MULTILINE 或 re.M： 多行匹配，使 ^ 和 $ 匹配字符串的每行的開頭和結(jié)尾，而不是整個(gè)字符串的開頭和結(jié)尾。
• re.DOTALL 或 re.S： 讓 . 匹配任何字符，包括換行符。
• re.UNICODE 或 re.U： 使 \w, \W, \b, \B, \d, \D, \s, \S 與 Unicode 字符集合匹配。
• re.ASCII： 使 \w, \W, \b, \B, \d, \D, \s, \S 與 ASCII 字符集合匹配。
• re.VERBOSE 或 re.X： 忽略空白和注釋，使得更易讀的正則表達(dá)式能夠被編寫。

正/反向前瞻

正向前瞻（Positive Lookahead）：正向前瞻用 (?=…) 表示，它指定了一個(gè)條件，在匹配位置的右側(cè)必須滿足這個(gè)條件才能匹配成功。但匹配的位置本身不會(huì)被包含在匹配結(jié)果中。

反向前瞻（Negative Lookahead）：反向前瞻用 (?!…) 表示，它指定了一個(gè)條件，在匹配位置的右側(cè)必須不滿足這個(gè)條件才能匹配成功。同樣，匹配的位置本身不會(huì)被包含在匹配結(jié)果中。

接下來演示一下，假設(shè)我們要匹配一個(gè)字符串中的所有數(shù)字，但是要排除包含小數(shù)點(diǎn)的數(shù)字。我們可以使用正向前瞻來實(shí)現(xiàn)這個(gè)匹配：

import re

# 匹配所有不包含小數(shù)點(diǎn)的數(shù)字
pattern = r'\d+(?!\.)'
text = "123 456 7.89 10"

matches = re.findall(pattern, text)
print(matches)

# ['123', '456', '10']

在這個(gè)示例中，r'\d+(?!\.)' 匹配的是一串?dāng)?shù)字 \d+，但是它的右側(cè)不能跟著一個(gè)小數(shù)點(diǎn) (?!\.)，這樣就排除了包含小數(shù)點(diǎn)的數(shù)字。

反向前瞻也可以用來排除某些特定情況的匹配。例如，假設(shè)我們要匹配所有不是以字母 "a" 開頭的單詞：

import re

# 匹配所有不以字母 "a" 開頭的單詞
pattern = r'\b(?!a)\w+\b'
text = "apple banana orange"

matches = re.findall(pattern, text)
print(matches)  
# ['banana', 'orange']

在這個(gè)示例中，r'\b(?!a)\w+\b' 匹配的是一個(gè)單詞，但是它的左側(cè)不能以字母 "a" 開頭 (?!a)，這樣就排除了以 "a" 開頭的單詞 "apple"。

捕獲組和非捕獲組的概念

在正則表達(dá)式中，捕獲組和非捕獲組是用來對匹配的文本進(jìn)行分組和提取的工具, 比如Django/Flask等框架的url路由匹配就是用了這個(gè)。
捕獲組：捕獲組用括號 ( ) 表示，它可以將匹配的文本分組并保存到一個(gè)單獨(dú)的組中，以便后續(xù)引用或提取。捕獲組可以在整個(gè)正則表達(dá)式中通過反向引用（backreference）或在匹配結(jié)果中進(jìn)行訪問。

非捕獲組：非捕獲組也用括號 ( ) 表示，但是在左括號后緊跟著一個(gè)問號和冒號 (?: )，它用于對文本進(jìn)行分組，但不會(huì)在匹配結(jié)果中保存分組的內(nèi)容，也不會(huì)創(chuàng)建一個(gè)新的捕獲組。非捕獲組通常用于提高正則表達(dá)式的效率，因?yàn)樗粫?huì)占用額外的內(nèi)存來存儲(chǔ)匹配結(jié)果。

接下來演示一下, 假設(shè)我們有一個(gè)包含郵箱地址的字符串，我們想從中提取用戶名和域名部分。我們可以使用捕獲組來實(shí)現(xiàn)：

import re

# 匹配郵箱地址的正則表達(dá)式
pattern = r'(\w+)@(\w+\.\w+)'

text = "jeff@xmishu.com, alice@baidu.com"

# 使用捕獲組提取用戶名和域名
matches = re.findall(pattern, text)
for match in matches:
    username, domain = match
    print("Username:", username)
    print("Domain:", domain)

在這個(gè)示例中，(\w+) 和 (\w+\.\w+) 分別是兩個(gè)捕獲組，用來提取用戶名和域名。re.findall() 函數(shù)會(huì)返回一個(gè)列表，其中每個(gè)元素是一個(gè)包含用戶名和域名的元組。通過遍歷這個(gè)列表，我們可以輕松地獲取用戶名和域名部分。

實(shí)際應(yīng)用

正則表達(dá)式在python應(yīng)用中非常廣泛，它能輔助我們高效地處理很多問題

• 數(shù)據(jù)提?。ňW(wǎng)頁數(shù)據(jù)采集等）
• 文本處理（數(shù)據(jù)清洗、格式化入庫等）
• web表單中用戶輸入內(nèi)容驗(yàn)證（郵箱密碼格式驗(yàn)證等）。

注意事項(xiàng)

• 預(yù)編譯正則表達(dá)式：如果你要在多個(gè)地方使用相同的正則表達(dá)式，可以使用re.compile()預(yù)先編譯它，以提高匹配效率，生產(chǎn)環(huán)境中很有用。
• 選擇最適合的函數(shù)：Python的re模塊提供了多個(gè)函數(shù)用于正則表達(dá)式操作，如re.match()、re.search()、re.findall()等。根據(jù)需求選擇最適合的函數(shù)，以避免不必要的性能開銷。
• 使用非貪婪匹配：在量詞后面加上?可以將匹配模式變?yōu)榉秦澙纺Ｊ剑M可能少地匹配字符。例如，*?、+?、??。
• 避免過度使用 .：.可以匹配任意一個(gè)字符，但在某些情況下可能會(huì)導(dǎo)致性能下降。如果可能，盡量使用更具體的字符集或模式來限制匹配范圍。
• 使用原始字符串：在編寫正則表達(dá)式時(shí)，最好使用原始字符串（以r開頭），以避免不必要的轉(zhuǎn)義，提高代碼可讀性。
• 使用字符類：字符類（如[0-9]、[a-zA-Z]）比單個(gè)字符更有效率，因?yàn)樗鼈冊试S正則引擎更快地確定是否匹配。