Skip to content

Chapter01.RE.md

Latest commit

 

History

History
178 lines (144 loc) · 8 KB

Chapter01.RE.md

File metadata and controls

178 lines (144 loc) · 8 KB
Raw

当前模块在网络上已经比较全面了，所以暂时不放精力在此处整理笔记

语法规则速查笔记

不再过多赘述，网络教程已经十分详细：Python 正则表达式 | 菜鸟教程

摘录于《Python核心编程》

  • 符号
    • literal： 匹配文本字符出的字曲值literal。 示例: foo
    • re1|re2： 匹配正则表达式re1或者re2。 示例: foo|bar
    • .： 匹配任何字符(除了\n之外)。 示例: b.b
    • ^： 匹配字符串起始部分。 示例: ^Dear
    • $： 匹配字符串终止部分。 示例: /bin/*sh$
    • *： 匹配0次或者多次前面出现的正则表达式。 示例: [A-Za-z0-9]*
    • +： 匹配1次或者多次前面出现的正则表达式。 示例: [a-z]+\.com
    • ?： 匹配0次或者1次前面出现的正则表达式(非贪婪模式)。 示例: goo?
    • {N}： 匹配N次前面出现的正则表达式。 示例: [0-9]{3}
    • {M,N}： 匹配M~N次前面出现的正则表达式。 示例: [0-9]{5.9}
    • [...]： 匹配来自字符集的任意单一字符。 示例: [abcde]
    • [..x-y..]： 匹配x~y范围中的任意单一字符。 示例: [0-9],[A-Za-z]
    • [^...]： 不匹配此字符集中出现的任何一个字符，包括某一范围的字符(如果在此字符集中出现)。 示例: [^abcde],[^A-Za-z0-9]
    • (*|+|?|{})?： 用于匹配上面频繁出现/重复出现符号的非贪婪版本(*、+、？、{})。 示例: .*?[a-z]
    • (...)： 匹配封闭的正则表达式，然后另存为子组。 示例: ([0-9){3})?,f(oo|u)bar
  • 特殊字符
    • \d： 匹配任何十进制数字，与[0-9]一致(\D 与\d 相反，不匹配任何非数值型的数字)。 示例: data\d+.txt
    • \w： 匹配任何字母数字字符，与[A-Za-z0-9_]相同(\W 与之相反)。 示例: [A-Za-z_]\w+
    • \s： 匹配任何空格字符，与[\n\t\r\v\f]相同(\S 与之相反)。 示例: of\sthe
    • \b： 匹配任何单词边界(\B 与之相反)。 示例: \bThe\b
    • \N： 匹配已保存的子组 N(参见上面的(…))。 示例: price: \16
    • \c： 逐字匹配任何特殊字符 c(即，仅按照字面意义匹配，不匹配特殊含义)。 示例: \., \\, \*
    • \A(\Z)： 匹配字符串的起始(结束)(另见上面介绍的^和$)。 示例: \ADear
  • 扩展表示法
    • (?iLmsux)： 在正则表达式中嵌入一个或者多个特殊“标记”参数(或者通过函数/方法)。 示例: (?x)，(？ im)
    • (?:…)： 表示一个匹配不用保存的分组。 示例: (?:\w+\.)*
    • (?P<name>…)： 像一个仅由 name 标识而不是数字 ID 标识的正则分组匹配。 示例: (?P<data>)
    • (?P=name)： 在同一字符串中匹配由(?P<name>)分组的之前文本。 示例: (?P=data)
    • (?#…)： 表示注释，所有内容都被忽略。 示例: (?#comment)
    • (?=…)： 正向前视断言：此位置…后面匹配。 示例: (?=.com)
    • (?!…)： 负向前视断言：此位置…后面不匹配。 示例: (?!.net)
    • (?<=…)： 正向后视断言：此位置…前面匹配。 示例: (?<=800-)
    • (?<!…)： 负向后视断言：此位置…前面不匹配。 示例: (?<!192\.168\.)
    • (?(…)Y|N )： 如果分组所提供…存在，就与Y匹配；否则与N匹配。注：|N 是可选项。 示例: (?(1)y|x)

示例：

正则表达式模式 匹配的字符串
[dn]ot? 第一位是d或者n，第二位o，第三位与第四位表示t可以有0次或1次
[0-9]{15,16} 匹配15或者16个数字（例如信用卡号码）
</?[^>]+> 匹配全部有效的（和无效的）HTML 标签

讲解

import re
# - `(?iLmsux)`： 在正则表达式中嵌入一个或者多个特殊“标记”参数(或者通过函数/方法)。  示例: `(?x)，(？ im)`
# - `(?:…)`： 表示一个匹配不用保存的分组。  示例: `(?:\w+\.)*`
re.findall(r"aaa123(?:bbb|ccc)*", "aaa123aaa\naaa123bbb\naaa123ccc")  # ['aaa123', 'aaa123bbb', 'aaa123ccc']
# - `(?P<name>…)`： 像一个仅由 name 标识而不是数字 ID 标识的正则分组匹配。  示例: `(?P<data>)`
# - `(?P=name)`： 在同一字符串中匹配由`(?P<name>)`分组的之前文本。  示例: `(?P=data)`
# - `(?#…)`： 表示注释，所有内容都被忽略。  示例: `(?#comment)`
# - `(?=…)`： ***正向前视断言***：此位置`…`后面匹配。  示例: `(?=.com)`
# - `(?!…)`： ***负向前视断言***：此位置`…`后面不匹配。  示例: `(?!.net)`
# - `(?<=…)`： ***正向后视断言***：此位置`…`前面匹配。  示例: `(?<=800-)`
# - `(?<!…)`： ***负向后视断言***：此位置`…`前面不匹配。  示例: `(?<!192\.168\.)`
# - `(?(…)Y|N )`： 如果分组所提供`…`存在，就与Y匹配；否则与N匹配。注：`|N` 是可选项。  示例: `(?(1)y|x)`

(?:...) 解决子组问题：

import re
text = r"""
![图 1](a.png)
![图 1](b.png ':size=450')
![图 1](b.png ':size=450x50%' )
![图 1](c.png ':size=45%x50%')'"""
pattern = r'''!\[.*?\]\((.*?)(?: +["']:size=([\d%]*)x*([\d%]*)["'])* *\)'''
#                            (?:                                  )* 
# 表示一个大分组的查找次数可为0-n次，避免无法查找到时无法匹配
tihuan = r'''<img src="\1" width="\2" height="\3" />'''
print(*re.findall(pattern, text), sep='\n')
print(re.sub(pattern, tihuan, text))

示例：扩展表示法

待补充：

import re

data = """
110101199003079227
110101199003077360
110101199003072906
110101199003074688
110101199003073626
511025199103070696
511025199203071592
511025199303073934
511025199503070135
511025199503070274
"""

print(re.findall('(?(511025)\d*|\d)', data))

re 模块：核心函数和方法

compile(pattern，flags=0)

match(pattern，string，flags=0)   # 只匹配字符串的开始
search(pattern，string，flags=0)  # 匹配整个字符串
findall(pattern，string [, flags] )
finditer(pattern，string [, flags] )
split(pattern，string，max=0)

示例： 匹配全文，忽略换行符

import re
# re.compile(pattern, re.DOTALL).findall(doc)
doc = '1221\n312213\n512215'
REGEX1 = re.compile('1.*\s*1')
REGEX2 = re.compile('1.*1', re.DOTALL)
print(REGEX1.findall(doc))
print(REGEX2.findall('1221\n312213\n512215'))

运行结果：

['1221', '1221', '1221']
['1221\n312213\n51221']

一些高级示例：

re.findall(
    "(?:胚胎|肿瘤)(?:干细胞)*|干细胞|器官",
    "胚胎干细胞1, 肿瘤干细胞2, 这是胚胎或肿瘤方面的干细胞研究, 用于器官移植方面")
# OUT: ['胚胎干细胞', '肿瘤干细胞', '胚胎', '干细胞', '器官']

re.sub("(这是)(关键词)(,)", r"\1**\2**\3",
       "\n这是关键词, 我需要两侧增加特殊字符")
# OUT: '\n这是**关键词**, 我需要两侧增加特殊字符'

Pattern, tihuan = r'(<img.* )title=":size=([\d%]*)x*([\d%]*)">', r'\1 width="\2" height="\3"'
re.sub(Pattern, tihuan, r'<img alt="" src="./images/RNA_process.png" title=":size=550">')
re.sub(Pattern, tihuan, r'<img alt="" src="./images/RNA_process.png" title=":size=500x100">')
re.sub(Pattern, tihuan, r'<img alt="" src="./images/RNA_process.png" title=":size=50%x10%">')

import re
pattern, tihuan = r'(<img.*?) title=":size=([\d%]*)x*([\d%]*)">', r'\1 width="\2" height="\3"'
re.sub(pattern, tihuan,  r'aaa\n<p><img alt="" src="./images/RNA_process.png" title=":size=50%x10%"></p>')
import re
print(re.findall(r"--(?:abc|123)", "--abcde--12345"))
print(re.findall(r'(?<=").+?(?=")', 'word1:"hello", word2:"world"'))
print(re.findall(r'"(.+?)"', 'word1:"hello", word2:"world"'))
print(re.findall(r".+(?<=re)", "res:result"))
print(re.findall(r"(?<=re).+", "res:result"))