python的正则

一、认识模块

　　  什么是模块：一个模块就是一个包含了python定义和声明的文件，文件名就是加上.py的后缀，但其实import加载的模块分为四个通用类别 ：

　　　　1.使用python编写的代码（.py文件）

　　　　2.已被编译为共享库二和DLL的C或C++扩展

　　　　3.包好一组模块的包

　　　　4.使用C编写并连接到python解释器的内置模块

　　  为何要使用莫模块？

　　　　如果你想退出python解释器然后重新进入，那么你之前定义的函数或变量都将丢失，因此我们通常将程序写到文件中以便永久保存下来，需要时，就通过python test.py 方式去执行，此时test.py被称为脚本script。

　　　　随着程序的发展，功能越来越多，为了方便管理，我们通常将文件分成一个个的文件，这样做程序的结构更清晰，方便管理。这时我们不仅仅可以吧这些文件当做脚本去执行，还可以把它们当做模块来导入到其他模块中，实现了功能的重复利用。

二、常见模块分类

　　常用模块一、

　　　　　　collocations 模块

　　　　　　时间模块

　　　　　　random模块

　　　　　　os模块

　　　　　　sys模块

　　　　　　序列化模块

　　　　　　re模块

　　常用模块二：这些模块和面向对象有关

　　　　　　hashlib模块

　　　　　　configparse模块

　　　　　　logging模块

三、正则表达式

像我们平常见的那些注册页面啥的，都需要我们输入手机号码吧，你想我们的电话号码也是有限定的吧（手机号码一共11位，并且只以13,14,15,17,18开头的数字这些特点）如果你的输入有误就会提示，那么实现这个程序的话你觉得用While循环so easy嘛，那么我们来看看实现的结果。

while True:
 2     phone_number=input('请输入你的电话号码：')
 3     if len(phone_number)==11 and phone_number.isdigit()\
 4         and (phone_number.startswith('13')\
 5         or phone_number.startswith('14') \
 6         or phone_number.startswith('15') \
 7         or phone_number.startswith('17') \
 8         or phone_number.startswith('18')):
 9         print('是合法的手机号码')
10     else:
11         print('不是合法的手机号码')

看到这个代码，虽说理解很容易，但是我还有更简单的方法。那我们一起来看看吧。

import re
 2 phone_number=input('请输入你的电话号码：')
 3 if re.match('^(13|14|15|17|18)[0-9]{9}$',phone_number):
 4     '''^这个符号表示的是判断是不是以13|14|15|17|18开头的，
 5     [0-9]: []表示一个字符组，可以表示0-9的任意字符
 6     {9}:表示后面的数字重复九次
 7     $:表示结束符
 8     '''
 9     print('是合法的手机号码')
10 else:
11     print('不是合法的手机号码')

大家可能都觉的第一种方法更简单吧，但是如果我让你从整个文件中匹配出所有的手机号码，你能用python写出来吗？但是导入re模块和利用正则表达式就可以解决这一个问题了。

那么什么是正则呢？

　　首先你要知道的是，谈到正则，就只和字符串相关了。在线测试工具 http://tool.chinaz.com/regex/

比如你要用‘1’去匹配‘1’，或者用‘2’去匹配‘2’，直接就可以匹配上。

字符组：[字符组]
在同一位置可能出现的各种字符组成了一个字符组，在正则表达式中用[]表示
字符分为很多类，比如数字，字母，标点等登。
假如你现在要求一个位置‘只能出现一个数字’，那么这个位置上的字符只能是0、1、2、3.......9这是个数之一。

字符组： 

字符：

量词：

.^$

*+?{}

注意：前面的*，+，？等都是贪婪匹配，也就是尽可能多的匹配，后面加？就变成了非贪婪匹配，也就是惰性匹配。

贪婪匹配：

几个常用的配贪婪匹配

.*?的用法：

字符集：

分组（）与或|[^]：

 举个例子，比如html源码中有<title>xxx</title>标签，用以前的知识，我们只能确定源码中的<title>和</title>是固定不变的。因此，如果想获取页面标题(xxx)，充其量只能写一个类似于这样的表达式：<title>.*</title>，而这样写匹配出来的是完整的<title>xxx</title>标签，并不是单纯的页面标题xxx。
 2 
 3        想解决以上问题，就要用到断言知识。
 4 
 5        在讲断言之前，读者应该先了解分组，这有助于理解断言。
 6 
 7        分组在正则中用()表示，根据小菜理解，分组的作用有两个：
 8 
 9  
10 
11        n  将某些规律看成是一组，然后进行组级别的重复，可以得到意想不到的效果。
12 
13        n  分组之后，可以通过后向引用简化表达式。
14 
15  
16 
17  
18 
19        先来看第一个作用，对于IP地址的匹配，简单的可以写为如下形式：
20 
21        \d{1,3}.\d{1,3}.\d{1,3}.\d{1,3}
22 
23        但仔细观察，我们可以发现一定的规律，可以把.\d{1,3}看成一个整体，也就是把他们看成一组，再把这个组重复3次即可。表达式如下：
24 
25        \d{1,3}(.\d{1,3}){3}
26 
27        这样一看，就比较简洁了。
28 
29       
30 
31 再来看第二个作用，就拿匹配<title>xxx</title>标签来说，简单的正则可以这样写：
32 
33        <title>.*</title>
34 
35        可以看出，上边表达式中有两个title，完全一样，其实可以通过分组简写。表达式如下：
36 
37        <(title)>.*</\1>
38 
39        这个例子实际上就是反向引用的实际应用。对于分组而言，整个表达式永远算作第0组，在本例中，第0组是<(title)>.*</\1>，然后从左到右，依次为分组编号，因此，(title)是第1组。
40 
41        用\1这种语法，可以引用某组的文本内容，\1当然就是引用第1组的文本内容了，这样一来，就可以简化正则表达式，只写一次title，把它放在组里，然后在后边引用即可。
42 
43        以此为启发，我们可不可以简化刚刚的IP地址正则表达式呢？原来的表达式为\d{1,3}(.\d{1,3}){3}，里边的\d{1,3}重复了两次，如果利用后向引用简化，表达式如下：
44 
45        (\d{1,3})(.\1){3}
46 
47        简单的解释下，把\d{1,3}放在一组里，表示为(\d{1,3})，它是第1组，(.\1)是第2组，在第2组里通过\1语法，后向引用了第1组的文本内容。
48 
49        经过实际测试，会发现这样写是错误的，为什么呢？
50 
51        小菜一直在强调，后向引用，引用的仅仅是文本内容，而不是正则表达式！
52 
53        也就是说，组中的内容一旦匹配成功，后向引用，引用的就是匹配成功后的内容，引用的是结果，而不是表达式。
54 
55        因此，(\d{1,3})(.\1){3}这个表达式实际上匹配的是四个数都相同的IP地址，比如：123.123.123.123。
56 
57       
58 
59        至此，读者已经掌握了传说中的后向引用，就这么简单。

分组命名：语法（？p<name>）注意先命名，后正则

import  re
import re
ret=re.search('<(\w+)>\w+<(/\w+)>','<h1>hello</h1>')   
print(ret.group())
# 给分组起个名字。就用下面的分组命名，上面的方法和下面的分组命名是一样的，只不过就是给命了个名字
ret=re.search('<(?P<tag_name>\w+)>\w+</(?P=tag_name)>','<h1>hello</h1>')

#(?P=tag_name)就代表的是（\w+）  

print(ret.group()) # 了解（和上面的是一样的，是上面方式的那种简写） 
ret=re.search(r'<(\w+)>\w+</\1>','<h1>hello</h1>') 
print(ret.group(1))

转义符：

四、re模块

# 1.re模块下的常用方法
 2 # 1.findall方法
 3 import re
 4 ret = re.findall('a','eva ang  egons')
 5 # #返回所有满足匹配条件的结果，放在列表里
 6 print(ret)
 7 
 8 # 2.search方法
 9 # 函数会在字符串中查找模式匹配，只会找到第一个匹配然后返回
10 # 一个包含匹配信息的对象，该对象通过调用group()方法得到匹配的
11 # 字符串，如果字符串没有匹配，则报错
12 ret = re.search('s','eva ang  egons')#找第一个
13 print(ret.group())
14 
15 
16 # 3.match方法
17 print(re.match('a','abc').group())
18 #同search，只从字符串开始匹配,并且guoup才能找到
19 
20 
21 # 4.split方法
22 print(re.split('[ab]','abcd'))
23 #先按'a'分割得到''和'bcd'，在对''和'bcd'分别按'b'分割
24 
25 
26 # 5.sub方法
27 print(re.sub('\d','H','eva3sdf4ahi4asd45',1))
28 # 将数字替换成'H'，参数1表示只替换一个
29 
30 
31 # 6.subn方法
32 print(re.subn('\d','H','eva3sdf4ahi4asd45'))
33 #将数字替换成’H‘，返回元组（替换的结果，替换了多少次）
34 
35 
36 # 7.compile方法
37 obj = re.compile('\d{3}')#将正则表达式编译成一个正则表达式对象，规则要匹配的是三个数字
38 print(obj)
39 ret = obj.search('abc12345eeeee')#正则表达式对象调用search，参数为待匹配的字符串
40 print(ret.group()) #.group一下就显示出结果了
41 
42 # 8.finditer方法
43 ret = re.finditer('\d','dsf546sfsc')#finditer返回的是一个存放匹配结果的迭代器
44 # print(ret)#<callable_iterator object at 0x00000000021E9E80>
45 print(next(ret).group())#查看第一个结果
46 print(next(ret).group())#查看第二个结果
47 print([i.group() for i in ret] )#查看剩余的左右结果

import re
2 ret = re.findall('www.(baidu|oldboy).com','www.oldboy.com')
3 print(ret)   #结果是['oldboy']这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可
4 
5 ret = re.findall('www.(?:baidu|oldboy).com','www.oldboy.com')
6 print(ret) #['www.oldboy.com']

ret = re.split('\d+','eva123dasda9dg')#按数字分割开了
2 print(ret) #输出结果：['eva', 'dasda', 'dg']
3 
4 ret = re.split('(\d+)','eva123dasda9dg')
5 print(ret) #输出结果：['eva', '123', 'dasda', '9', 'dg']
6 # 
7 # 在匹配部分加上()之后和不加括号切出的结果是不同的，
8 # 没有括号的没有保留所匹配的项，但是有括号的却能够保留了
9 # 匹配的项，这个在某些需要保留匹配部分的使用过程是非常重要的

五、re模块和正则表达式的关系

re模块和正则表达式没有一点毛线关系。re模块和正则表达式的关系类似于time模块和时间的关系，你没有学习python之前，也不知道有一个time模块，但是你已经认识时间了呀，12:30就表示中午十二点半。时间有自己的格式，年月日时分秒，已成为一种规则。你早就牢记于心了，time模块只不过是python提供给我们的可以方便我们操作时间的一个工具而已。

六、collections模块

在内置数据类型（dict，list，set，tuple）的基础上，collections 模块还提供了几个额外的数据类型：

1.namedtuple：生成可以使用名字来访问元素内容的tuple

2.deque：双向队列（两头都可进可出，但是不能取中间的值），可以快速的从另外一侧追加和推出对象

3.Counter：计数器，主要用来计数

4.OrderedDict：有序字典

5.defaultdict：带有默认值的字典

namedtuple:

　　我们知道tuple可以表示不变集合，例如，一个点的二维坐标就可以表示成：p=(1,2)

但是，看到（1，2），很难看出这个tuple是用来表示坐标的。

那么，我们的namedtuple就能用上了。 

namedtuple('名称'，‘属性list’)

Circle = namedtuple('Circle', ['x', 'y', 'r'])#用坐标和半径表示一个圆

deque　

deque是为了高效实现插入和删除操作的双向队列，适用于队列和栈

OrderedDict

使用字典时，key是无序的。在对字典做迭代时，我们无法确定key的顺序。如果要保持key的顺序，可以用OrderedDict

d = {'z':'qww','x':'asd','y':'asd','name':'alex'}
print(d.keys()) #key是无序的

defaultdict

d = {'z':'qww','x':'asd','y':'asd','name':'alex'}
 2 print(d.keys())
 3 from  collections import defaultdict
 4 values = [11,22,33,44,55,66,77,88,99]
 5 my_dict = defaultdict(list)
 6 for v in values:
 7     if v>66:
 8         my_dict['k1'].append(v)
 9     else:
10         my_dict['k2'].append(v)
11 print(my_dict)

1 from collections import defaultdict
2 dd = defaultdict(lambda: 'N/A')
3 dd['key1'] = 'abc'
4 print(dd['key1']) # key1存在
5 
6 print(dd['key2']) # key2不存在，返回默认值

Counter

Counter类的目的是用来跟踪值出现的次数。它是一个无序的容器类型，以字典的键值对形式存储，其中元素作为key，其计数作为value。计数值可以是任意的Interger（包括0和负数）。Counter类和其他语言的bags或multisets很相似。

from collections import Counter
c = Counter('abcdeabcdabcaba')
print(c)
# 输出：Counter({'a': 5, 'b': 4, 'c': 3, 'd': 2, 'e': 1})