Python正则表达式之re
置顶 • 2个月前 • 274次点击 • 来自 其他
标签: Python
Python正则表达式之re
re模块是python下用于正则表达式处理的模块，本文主要基于re --- 正则表达式操作文档，熟悉re模块的使用。
正则表达式
正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。
字符组
在同一个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:
| 正则表达式 | 待匹配字符 | 结果 | 说明 |
| ---- | ---- | ---- | ---- |
|[0-9] | -1 | False | [0-9]等同于[0123456789]|
|[^0-9] | a | False | 匹配非数字 |
|[0-9a-fA-F] |e |True |匹配数字，大小写形式的a～f，用来验证十六进制字符|
字符
| 元字符 | 匹配内容 |
|---|---|
| . | 匹配除换行符以外的任意字符 |
| \w | 匹配字母或数字或下划线 |
| \s | 匹配任意的空白符 |
| \d | 匹配数字 |
| \n | 匹配一个换行符 |
| \t | 匹配一个制表符 |
| \b | 匹配一个单词的结尾 |
| ^ | 匹配字符串的开始 |
| $ | 匹配字符串的结尾 |
| \W | 匹配非字母或数字或下划线 |
| \D | 匹配非数字 |
| \S | 匹配非空白符 |
| a | b |
| () | 匹配括号内的表达式，也表示一个组 |
| [...] | 匹配字符组中的字符 |
| [^...] | 匹配除了字符组中字符的所有字符 |
量词
| 量词 | 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 |
A|B
A 和 B 可以是任意正则表达式，创建一个正则表达式，匹配 A 或者 B. 任意个正则表达式可以用 '|' 连接。它也可以在组合（见下列）内使用。扫描目标字符串时， '|' 分隔开的正则样式从左到右进行匹配。当一个样式完全匹配时，这个分支就被接受。意思就是，一旦 A 匹配成功， B 就不再进行匹配，即便它能产生一个更好的匹配。或者说，'|' 操作符绝不贪婪。 如果要匹配 '|' 字符，使用 |， 或者把它包含在字符集里，比如 [|].
组合 ()
匹配括号内的任意正则表达式，并标识出组合的开始和结尾。匹配完成后，组合的内容可以被获取，并可以在之后用 \number 转义序列进行再次匹配。
我们以身份证来举例，先匹配[1-9]\d{16}[0-9x]如果没有匹配上就匹配[1-9]\d{14}：
^([1-9]\d{16}[0-9x]|[1-9]\d{14})$
代码：
import re
print(re.findall('^([1-9]\d{16}[0-9x]|[1-9]\d{14})$', '110105199812067023'))
常用正则表达式实例
* ,+ , ? 等都是贪婪匹配，即尽可能匹配最长的字符串；后面加?号使其变成惰性匹配，即匹配最短字符串
| 正则表达式 | 待匹配字符 | 结果 | 说明 |
|---|---|---|---|
| a. | abacad | ['ab', 'ac', 'ad'] | 匹配以a开头的字符串 |
| ^a. | abacad | ab | 只从开头匹配"a." |
| a.$ | abacad | ad | 只匹配结尾的"a.$" |
| a.? | abacad | ['ab', 'ac', 'ad'] | ?表示重复零次或一次，即只匹配"a"后面一个任意字符。 |
| a.* | abacad | ['abacad'] | * 表示重复零次或多次，即匹配"a"后面0或多个任意字符。 |
| a.+ | abacad | ['abacad'] | + 表示重复一次或多次，即只匹配"a"后面1个或多个任意字符。 |
| a.{1,2} | abacad | ['aba', 'ad'] | {1,2}匹配1到2次任意字符。 |
| a.*? | abacad | ['a', 'a', 'a'] | 惰性匹配 |
| a.+? | abacad | ['ab', 'ac', 'ad'] | 惰性匹配 |
代码：
import re
print(re.findall('a.', 'abacad'))
print(re.findall('^a.', 'abacad'))
print(re.findall('a.$', 'abacad'))
print(re.findall('a.?', 'abacad'))
print(re.findall('a.*', 'abacad'))
print(re.findall('a.+', 'abacad'))
print(re.findall('a.{1,2}', 'abacad'))
print(re.findall('a.*?', 'abacad'))
print(re.findall('a.+?', 'abacad'))
几个常用的非贪婪匹配Pattern:
*? 重复任意次，但尽可能少重复
+? 重复1次或更多次，但尽可能少重复
?? 重复0次或1次，但尽可能少重复
{n,m}? 重复n到m次，但尽可能少重复
{n,}? 重复n次以上，但尽可能少重复
re模块的使用
匹配模式
- re.I 忽略大小写
- re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
- re.M 多行模式
- re.S 即为 . 并且包括换行符在内的任意字符（. 不包括换行符）
- re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
- re.X 为了增加可读性，忽略空格和 # 后面的注释
主要方法
- re.compile: 编译一个正则表达式模式(pattern)
- re.match: 从头开始匹配, 使用group()方法可以获取第一个匹配值
- re.search: 用包含方式匹配，使用group()方法可以获取第一个匹配值
- re.findall: 用包含方式匹配，把所有匹配到的字符放到以列表中的元素返回多个匹配值
- re.sub: 匹配字符并替换
- re.split: 以匹配到的字符当做列表分隔符，返回列表
re.compile
>>> import re
>>> email_pattern = re.compile(r'^[a-zA-Z0-9_-]+(\.[a-zA-Z0-9_-]+){0,4}
@[a-zA-Z0-9_-]+(\.[a-zA-Z0-9_-]+){0,4}$')
>>> re.match(email_pattern, 'django@pyghon.org')
<_sre.SRE_Match object; span=(0, 17), match='django@pyghon.org'>
search() vs. match()
Python 提供了两种不同的操作：基于 re.match() 检查字符串开头，或者 re.search() 检查字符串的任意位置。
例如：
>>> re.match("c", "abcdef") # No match
>>> re.search("c", "abcdef") # Match
<re.Match object; span=(2, 3), match='c'>
在 search() 中，可以用 '^' 作为开始来限制匹配到字符串的首位
>>> re.match("c", "abcdef") # No match
>>> re.search("^c", "abcdef") # No match
>>> re.search("^a", "abcdef") # Match
<re.Match object; span=(0, 1), match='a'>
注意 MULTILINE 多行模式中函数 match() 只匹配字符串的开始，但使用 search() 和以 '^' 开始的正则表达式会匹配每行的开始:
>>> re.match('X', 'A\nB\nX', re.MULTILINE) # No match
>>> re.search('^X', 'A\nB\nX', re.MULTILINE) # Match
<re.Match object; span=(4, 5), match='X'>
re.findall
>>> year_pattern = re.compile(r'\d{4}$') # 四位整数，匹配年份
>>> string1 = '我爱1998和1999年'
year_pattern.findall(string1)
['1998', '1999']
re.sub
>>> year_pattern = re.compile(r'\d{4}$') # 四位整数，匹配年份
>>> string1 = '我爱1998和1999年'
>>> replaced_str = re.sub(year_pattern, '****', string1)
>>> print(replaced_str)
我爱****和****年
re.split
>>> string1 = "1cat2dogs3cats4"
>>> import re
>>> list1 = re.split(r'\d+', string1)
>>> print(list1)
['', 'cat', 'dogs', 'cats', '']
