正则表达式的基本使用

正则表达式：百度来的解释是用一段通用、约定格式和规则的代码来对符合规则的文本进行检索和替换。
第一次用到正则表达式是在爬虫里，在爬取一个网站的html后，需要去掉html里标签内容只留下文本内容。用正则表达式就能很好解决这个问题。我自己理解的正则表达式就是根据制定的规则来匹配特定的字符串。所以我们需要注意的就是正则表达式的匹配规则。

单字符匹配规则

注：python中避免字符串的字符被转义，可在字符串前面加上个r。

举几个栗子,match函数的作用是 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。如果匹配成功就返回一个Math对象，该对象里的group返回的是匹配成功的字符串。

import re
s = 'qwer'
result = re.match(r'..', s)
print(result.group())
#输出：qw

import re
s = '12345678912'
result = re.match(r'[12]\d\d\w', s)
print(result.group())
#输出：1234

数量描述规则

再举几个栗子

import re
s = '1233344aa'
result = re.match(r'[12]\d*\w', s)
print(result.group())
#输出：1233344a

import re
s = '13333aa'
result = re.match(r'[12]\d{3,5}\w', s)
print(result.group())
#：输出13333a

表示边界规则

注： 加不加^和$的区别
①[a-z]可以用来匹配任意位置上的小写字母:"…a…"
②^[a-z]只能匹配以小写字母为行首的行：“a”
③[a-z]$只能匹配以小写字母为行尾的行:"…a"
④^ [a-z]只能匹配以小写字母为行首的行：“a”

\b和\B的区别在于：\b匹配时其要匹配的字符串在源字符串s中的位置左右不能出现英文字母，相反的\B的周围必须是英文字母。（是不是一个单词由该词左右是不是空格所决定的）

re.findall()的作用是从指定字符串找到符合要求的所有字符串。
example

import re
s = 'apple1 banana2 pear3'
result = re.findall(r'\w+\b', s)
print(result)
#输出：['apple1', 'banana2', 'pear3']

import re
s = 'apple1 banana2 pear3'
result = re.findall(r'\w+\B', s)
print(result)
#输出：['apple', 'banana', 'pear']

匹配分组规则

再再再举几个栗子

import re
# 匹配0-100之间的数字
s = '25'
result = re.match(r'[1-9]?\d?$|100$', s)
print(result.group())
#输出： 25

re.sub（"", “”, “”）的作用是替换文本中的指定的字符串，第一个参数是指定规则的正则表达式，第二个参数是需要替换的字符串或者是一个函数，第三个是将遍历的字符串。

import re
# 删除一些html标签
s = '''<h1>
          渐进式<br>JavaScript 框架
        </h1>'''
result = re.sub(r'<(.+)>|</\1>','', s)
print(result)
#输出： 渐进式JavaScript 框架

import re
# 删除一些html标签
s = '''<h1>
          渐进式<br>JavaScript 框架
        </h1>'''
result = re.sub(r'<(?P<key1>.+)>|</(?P=key1)>','', s)
print(result)
#输出：  渐进式JavaScript 框架

贪婪模式
我的理解就是字符串自左向右尽可能多的匹配。
这样可能还是难以理解，举个例子。还是上文中的去除文本中的html标签。

import re
s = '''<h1>渐进式<br>JavaScript 框架</h1>'''
result = re.sub(r'<.+>', '', s)
print(result)
# 输出空白

本来的目的是去除带有<>的字符串，但是因为贪婪模式是开启的。<字符被匹配到之后就会一直向后寻找>，找到渐前面的>之后并不算完成，因为贪婪模式是要符合最大匹配原则的，所以就会找到最后一个字符>，最终完成匹配。
解决的办法就是关闭贪婪模式，当在*或者+后面加上？就算关闭了。

import re
# 关闭贪婪模式
s = '''<h1>渐进式<br>JavaScript 框架</h1>'''
result = re.sub(r'<.+?>', '', s)
print(result)
#输出：渐进式JavaScript 框架