【Python 第55课】 正则表达式（1）

crossin先生

今天来挖个新坑，讲讲正则表达式。

什么是正则表达式？在回答这个问题之前，先来看看为什么要有正则表达式。

在编程处理文本的过程中，经常会需要按照某种规则去查找一些特定的字符串。比如知道一个网页上的图片都是叫做'image/8554278135.jpg'之类的名字，只是那串数字不一样；又或者在一堆人员电子档案中，你要把他们的电话号码全部找出来，整理成通讯录。诸如此类工作，如果手工去做，当量大的时候那简直就是悲剧。但你知道这些字符信息有一定的规律，可不可以利用这些规律，让程序自动来做这些无聊的事情？答案是肯定的。这时候，你就需要一种描述这些规律的方法，正则表达式就是干这事的。

正则表达式就是记录文本规则的代码。

所以正则表达式并不是python中特有的功能，它是一种通用的方法。python中的正则表达式库，所做的事情是利用正则表达式来搜索文本。要使用它，你必须会自己用正则表达式来描述文本规则。之前多次有同学表示查找文本的事情经常会遇上，希望能介绍一下正则表达式。既然如此，我们就从正则表达式的基本规则开始说起。

1.
首先说一种最简单的正则表达式，它没有特殊的符号，只有基本的字母或数字。它满足的匹配规则就是完全匹配。例如：有个正则表达式是“hi”，那么它就可以匹配出文本中所有含有hi的字符。

来看如下的一段文字：

Hi, I am Shirley Hilton. I am his wife.

如果我们用“hi”这个正则表达式去匹配这段文字，将会得到两个结果。因为是完全匹配，所以每个结果都是“hi”。这两个“hi”分别来自“Shirley”和“his”。默认情况下正则表达式是严格区分大小写的，所以“Hi”和“Hilton”中的“Hi”被忽略了。

为了验证正则表达式匹配的结果，你可以用以下这段代码做实验：

1. import re
   
2. text = "Hi, I am Shirley Hilton. I am his wife."
   
3. m = re.findall(r"hi", text)
   
4. if m:
   
5.     print m
   
6. else:
   
7.     print 'not match'

复制代码

暂时先不解释这其中代码的具体含义，你只要去更改text和findall中的字符串，就可以用它来检测正则表达式的实际效果。

2.
如果我们只想找到“hi”这个单词，而不把包含它的单词也算在内，那就可以使用“\bhi\b”这个正则表达式。在以前的字符串处理中，我们已经见过类似“\n”这种特殊字符。在正则表达式中，这种字符更多，以后足以让你眼花缭乱。

“\b”在正则表达式中表示单词的开头或结尾，空格、标点、换行都算是单词的分割。而“\b”自身又不会匹配任何字符，它代表的只是一个位置。所以单词前后的空格标点之类不会出现在结果里。

在前面那个例子里，“\bhi\b”匹配不到任何结果。但“\bhi”的话就可以匹配到1个“hi”，出自“his”。用这种方法，你可以找出一段话中所有单词“Hi”，想一下要怎么写。

3.
最后再说一下[]这个符号。在正则表达式中，[]表示满足括号中任一字符。比如“[hi]”，它就不是匹配“hi”了，而是匹配“h”或者“i”。

在前面例子中，如果把正则表达式改为“[Hh]i”，就可以既匹配“Hi”，又匹配“hi”了。


#==== Crossin的编程教室 ====#
微信ID：crossincode
论坛：http://crossin.me
QQ群：156630350

面向零基础初学者的编程课
每天5分钟，轻松学编程

crossin先生

dark 发表于 2013-9-16 23:23
re.findall(r"hi", text)猜测其中的r是read意思，这么说难道也有w。。。

错了，是raw的意思

crossin先生

aresli 发表于 2013-9-17 15:28
正则这个东西如果没有一个环境让你持续的思考记忆个半年，是很难掌握好的。
我建议正则课程结束后，是不是 ...

ok
课程里只能大概解释一下原理和规则，要想掌握，还得用很久才能熟悉。

crossin先生

l0ve1o24 发表于 2017-1-13 14:36
在前面那个例子里，“\bhi\b”匹配不到任何结果。但“\bhi”的话就可以匹配到1个“hi”，出自“his”。用这 ...

没明白你的意思，你想匹配哪一个？
\bhi\b 是匹配单词hi，不包括其他词中间的，这个没错。\bhi 就是匹配单词开头的 hi

crossin先生

tanlongfei 发表于 2017-8-11 15:32
有个问题，python3里，直接用r‘hi’，出来的就是\bhi\b的效果。。。就是只输出hi，不输出包括hi的单词。。 ...

和py3无关，hi就是匹配hi呀，包含的单词，那你前后得加上通配符（往后面两课继续看下去）

crossin先生

tanlongfei 发表于 2017-8-17 21:10
嗯嗯，谢谢crossin先生，这两天没上，之前那个问题自己看了后面的明白了。
又有了新的问题，我现在在做练习 ...

这个从代码看不出来。你得自己调试，把 yp 输出出来看看是什么
有些电影的数据是没有的

crossin先生

blueheart 发表于 2017-8-25 09:21
请问Crossin先生为什么print  "\bhi"会打印出乱码出来的?

\b 是有特殊含义的字符，被转义了，所以要加 r

crossin先生

shaonan 发表于 2017-9-24 23:03
请问我分析的对吗。。看了第二课又有些疑问。。

对的。或者在规则前面加上 r，避免字符串的转义

crossin先生

shaonan 发表于 2017-9-26 22:12
你好，我提出疑问的原因是我发现对于\S来说，\\S和\S没有区别：这两段程序运行结果相同，怎么解释呢？ ...

因为 \S 不存在对应的字符转义