细说Python操作之正则表达式

系列文章目录

第一章：Python 操作之正则表达式

文章目录

系列文章目录
前言
一、pandas是什么？
二、使用步骤
- 1.引入库
- 2.读入数据
总结

前言

正则表达式（Regular Expression，简称 regex 或 regexp）是一种用于匹配字符串中字符组合的模式描述工具。它广泛用于文本搜索、数据验证、字符串替换等领域。正则表达式通过特定的语法规则，定义了搜索模式，可以高效地查找、替换或验证字符串是否符合特定的格式。

以下是我列举的正则表达式的基本元素和用法示例：

一、元字符：

元在中文之中有一个解释是“根本”。万丈高楼平地起，其实在我认知中学会元字符的应用，就如用砖瓦，已经可以盖起来一座相当高的楼层了，毕竟元字符是正则表达式的基础，语法都是由元字符的运用演化而来，所以理解元字符的用法是重中之重。下面是我列举的一些常规元字符的用法：

1.1通配符.与字符集[]：

顾名思义，通配符是可以理解为能够广泛对字符进行匹配，包括但不限于字符串、数字、汉字、特殊符号等

而字符集就可以看做是一个你输入的匹配限定条件的集合，只有满足字符集之中的内容才会进行匹配


代码	说明
.	匹配除换行符以外的任意字符
[ ]	匹配字母或数字或下划线或汉字

1.1.1通配符. 可以匹配到除了\n意外的其他字符，一个符号占据的是一个字符的位置

以字符串为例：s= "apple ape agree age amaze animate advertise a\ne"

我们可以看到字符串s之中是存在\n这个换行符的

我们要查找三个字母，有a开头e结尾的字符串那么得到的结果是：

s= "apple ape agree age amaze animate advertise a\ne"
ret = re.findall('a.e',s)

如果我们再要查找四个字母，有a开头e结尾的字符串,则需要再加一个.符号，例如：

s= "apple ape agree age amaze animate advertise a\ne"
ret = re.findall('a..e',s)

1.1.2字符集[]匹配字母或数字或下划线或汉字,一个[]识别匹配的是[]中的一个符号

以字符串为例：s= "apple ape agree age amaze animate advertise alne a&e a2e a6e a9e"

我们需要的是以a开头，以e结尾的三个由字母组成的字符串，那么.就不适用了，因为通配符会匹配任意除换行符以外的字符，那么这里就需要使用字符集来进行字符的定向选择

s= "apple ape agree age amaze animate advertise alne a&e a2e a6e a9e"
ret = re.findall('a[a-z]e',s)

[a-z]中a-z其实指的是英文字母a一直到z，是一个范围条件

如果我们再要查找四个字母，有a开头e结尾的字符串,则需要再加一个[]符号，例如：

s= "apple ape agree age amaze animate advertise alne a&e a2e a6e a9e"
ret = re.findall('a[a-z][a-z]e',s)

而[]也可以限制选择的字符是数字还是特殊符号，例如：

ret = re.findall('a[0-9]e',s)

ret = re.findall('a[&|6]e',s)

注：|是或运算符

其中还有一个需要注意的字符，那就是取反字符^，这个放在字符串前面表示就是匹配字符串开始的位置（下文会说明），而放在字符集里面表示取反[^0-9]即不取0到9的数字，那么就是非数字字符与\D等效；[^a-zA-Z0-9_]表示不取数字、字母和下划线，等价于\W（\D与\W转义字符会给予说明）

s= "apple ape agree age amaze animate advertise alne a&e a2e a6e a9e"
ret = re.findall('a[^0-9]e',s)

1.2重复元字符：

顾名思义，重复元字符就是用来匹配一个或多个重复的字符或子表达式

代码/语法	说明
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

1.2.2{}的用法:

思想就是{}中，通过添加数字，来决定匹配重复字符的次数，形式是需要匹配的内容{n，m}

以字符串为例：s= "aecee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"

如果我们需要找到以a开头以e结尾的五个字符，那么根据上文通配符可以写成 re.findall('a...e',s)

但是我们可能会遇到百八十个的情况，就不能只靠.，那么就需要使用{}：

s= "aecee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a.{3}e',s)

如果我们需要匹配以a开头，以e结尾的长度最大为7的字符，那么就可以在{}中限制查找条件

s= "aecee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a.{0,5}e',s)

我们不希望取到中间有数字、特殊符号、空格怎么办？

s= "aeeee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a[^0-9\\n\\s&]{0,100}e',s)

有人注意到，列表最后两个元素中存在a&e age和a6e a9e，为什么不是单独拆开的呢？

其实这里涉及到重复元字符中默认的贪婪匹配，先是以a开头，以e结尾，以{}中最大为5来进行查找，如果5找不到，那么在以a、e之间为4个字符来进行匹配，一次类推，直到a、e之间为0个字符。而a&e age和a6e a9e中空格字符占据了一个字符的位置，实际的匹配就是a【&e ag】e和a【6e a9】e。

注：下面的*、+、？都默认贪婪匹配

如何取消贪婪匹配呢？可以在重复元字符后面跟一个问号，*、+、？也适用

以s= "aeeee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"为例：、

贪婪匹配：

s= "aeeee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a[^0-9\\n\\s&]*e',s)

非贪婪：

s= "aeeee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a[^0-9\\n\\s&]*?e',s)

1.2.2*的用法:

*其实就是{0，∞}的缩写，即从字符串末尾开始匹配

s= "aecee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a.*e',s)

这里匹配不到字符串末尾是因为换行符的存在，通配符是匹配不到换行符的，所以，列表中出现了两个元素

1.2.3+的用法:

+其实就是{1，∞}的缩写

s= "aecee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a.+e',s)

1.2.4？的用法:

?其实就是{0，1}的缩写

s= "aeeee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a.?e',s)

取消贪婪为

s= "aeeee apple acre ape agree age anaze animate advertise a\ne a&e age a6e a9e"
ret = re.findall('a.??e',s)

1.3转义符：

代码	说明
\w	匹配字母或数字或下划线或汉字
\W	匹配一个非字母、非数字或非下划线字符（等价于 `[^a-zA-Z0-9_]`）
\d	匹配数字
\D	匹配一个非数字字符
\b	匹配单词的开始或结束
^	匹配字符串的开始（在集合字符里[^a]表示非（不匹配）的意思
$	匹配字符串的结束
\s	匹配任意的空白符