侧边栏壁纸
  • 累计撰写 122 篇文章
  • 累计创建 68 个标签
  • 累计收到 1 条评论

目 录CONTENT

文章目录

python-Re模块

刘少锋
2022-04-14 / 0 评论 / 0 点赞 / 152 阅读 / 3,846 字

正则表达式   

re 模块是 python 独有的匹配字符串的模块,该模块中提供的很多功能是基于正则表达式实现的,而正则表达式是对字符串进行模糊匹配,提取自己需要的字符串部分,他对所有的语言都通用。

注意:

  • re 模块是 python 独有的
  • 正则表达式所有编程语言都可以使用

规则

 字符

元字符说明
.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
[...]匹配字符组中的任一字符
[^...]匹配除了字符组中字符的所有任一字符
a|b匹配字符a或字符b
(ab)匹配括号内的表达式,即将括号中字符作为一个分组
\num引用分组num匹配到的字符串

量词

量词说明
*零次或无限次
+一次或无限次
?零次或一次
{n}n次
{n,}n次或无限次
{n,m}n到m次

案例

单字符匹配

正则待匹配字符匹配结果说明
[a-z]abacada
b
a
c
a
d
匹配到6处小写字符
a.abacadab
ac
ad
匹配所有"a."的字符
^a.abacadab只从开头匹配"a."
a.$abacadad只匹配结尾的"a.$"
a.?abefacgadaab
ac
ad
a
?表示重复零次或一次,即只匹配"a"后面零个或一个任意字符。
a.*abefacgadabefacgad*表示重复零次或多次,即匹配"a"后面零个或无限个任意字符。
a.+abefacgadabefacgad+表示重复一次或多次,即只匹配"a"后面一个或无限个任意字符。
a.{1,2}abefacgadabe
acg
ad
{1,2}匹配1到2次任意字符。

 字符集匹配

正则待匹配字符匹配结果说明
a[befcgd]*abefacgadabef
acg
ad
表示匹配"a"后面[befcgd]中的任一字符任意次
a[^f]*abefacgadabe
acgad
表示匹配一个不是"f"的字符任意次
[\d]31sa32dsa3
1
3
2
表示匹配任意一个数字,匹配到4个结果
[\d]+31sa32dsa31
32
表示匹配任意个数字,匹配到2个结果

 分组匹配

身份证号码是一个长度为 15 或 18 个字符的字符串,如果是 15 位则全部由数字组成,首位不能为 0;如果是 18 位,则前 17 位全部是数字,末位可能是数字或 x,下面我们尝试用正则来表示:

正则待匹配字符匹配结果说明
^[1-9]\d{13,16}[0-9x]$110101198001017032110101198001017032表示可以匹配一个正确的身份证号
^[1-9]\d{13,16}[0-9x]$11010119800101701101011980010170表示也可以匹配这串数字,但这并不是一个正确的身份证号码,它是一个16位的数字
^[1-9]\d{14}(\d{2}[0-9x])?$1101011980010170False现在不会匹配错误的身份证号了,()表示分组,将\d{2}[0-9x]分成一组,就可以整体约束他们出现的次数为0-1次
^([1-9]\d{16}[0-9x]|[1-9]\d{14})$110105199812067023110105199812067023表示先匹配[1-9]\d{16}[0-9x]如果没有匹配上就匹配[1-9]\d{14}

 转义符\

在正则表达式中,有很多有特殊意义的是元字符,比如 \n\s 等,如果要在正则中匹配正常的 "\n" 而不是 "换行符" 就需要对 "\" 进行转义,变成"\\"

在 python 中,无论是正则表达式,还是待匹配的内容,都是以字符串的形式出现的,在字符串中 \ 也有特殊的含义,本身还需要转义。所以如果匹配一次 "\n", 字符串中要写成'\\n',那么正则里就要写成 "\\\\n", 这样就太麻烦了。这个时候我们就用到了 r'\n'这个概念,此时的正则是 r'\\n'就可以了。

正则待匹配字符匹配 结果说明
\n\nFalse因为在正则表达式中\是有特殊意义的字符,所以要匹配\n本身,用表达式\n无法匹配
\\n\nTrue转义\之后变成\\,即可匹配
\\\\n\\nTrue如果在python中,字符串中的\也需要转义,所以每一个字符串\又需要转义一次
r'\\n'r'\n'True在字符串之前加r,让整个字符串不转义

贪婪匹配

贪婪匹配:在满足匹配时,匹配尽可能长的字符串,默认情况下,采用贪婪匹配

注意:前面的 *,+等都是贪婪匹配,也就是尽可能匹配,后面加? 号使其变成惰性匹配(非贪婪匹配)

正则待匹配字符匹配结果说明
a.*?abefacgada
a
a
加上?为将贪婪匹配模式转为非贪婪匹配模式,会匹配尽量短的字符串
a.+?abefacgadab
ac
ad

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

.*? 的用法

. 是任意字符
* 是取 0 至 无限长度
? 是非贪婪模式。
何在一起就是 取尽量少的任意字符,一般不会这么单独写,他大多用在:
.*?x

就是取前面任意长度的字符,直到一个x出现

re模块

常量、属性

re.A(re.ASCII)

\w\W\b\B\d\D\s\S 执行 ASCII - 只匹配完整的 Unicode 匹配代替。这仅对 Unicode 模式有意义,而对于字节模式则忽略。

re.I(re.IGNORECASE)

执行不区分大小写的匹配;类似的,表达式[A-Z]也将匹配小写字母。

re.L(re.LOCALE)

\w\W\b\B 和 区分大小写的匹配 取决于当前的语言环境。该标志只能与字节模式一起使用。

不建议使用此标志,因为语言环境机制非常不可靠,它一次只能处理一种 “区域性”,并且仅适用于 8 位语言环境。

默认情况下,Python 3 中已为 Unicode(str)模式启用了 Unicode 匹配,并且能够处理不同的语言环境/语言。

re.M(re.MULTILINE)

指定时,模式字符'^'在字符串的开头和每行的开头(紧随每个换行符之后)匹配;模式字符'$'在字符串的末尾和每行的末尾(紧接在每个换行符之前)匹配。

默认情况下,'^' 仅在字符串的开头,'$'仅在字符串的末尾和字符串末尾的换行符(如果有)之前立即匹配。

re.S(re.DOTALL)

使'.'特殊字符与任何字符都匹配,包括换行符;没有此标志,'.'将匹配除换行符以外的任何内容。

常用方法

re.match(pattern, string, flags=0)

如果字符串开头的零个或多个字符与正则表达式模式匹配,则返回相应的匹配对象。如果字符串与模式不匹配,则返回None。

In [1]: import re

In [4]: re.match('\d','1abcade')
Out[4]: <re.Match object; span=(0, 1), match='1'>

In [5]: re.match('\d','a1bcade')

In [6]: re.match(r"0$|100$|[1-9]\d{0,1}$", '100')  # 匹配0-100的数字
Out[6]: <re.Match object; span=(0, 3), match='100'>

In [7]: re.match(r"0$|100$|[1-9]\d{0,1}$", '0')
Out[7]: <re.Match object; span=(0, 1), match='0'>

In [8]: re.match(r"0$|100$|[1-9]\d{0,1}$", '20')
Out[8]: <re.Match object; span=(0, 2), match='20'>

In [9]: re.match(r'<([^>]+?)>.*</(\1)>', '<b>hello</b>')  # 后面的分组引用分组1的值,也就是后面的分组必须和前面的分组一样才可以
Out[9]: <re.Match object; span=(0, 12), match='<b>hello</b>'>

In [10]: re.match(r'<([^>]+?)>.*</(\1)>', '<b>hello</p>')

In [11]: re.match(r'<(?P<name>[^>]+?)>.*</(?P=name)>', '<b>hello</b>')  # 前面的分组起名为name,后面的分组必须和名为name的分组值一样才可以
Out[12]: <re.Match object; span=(0, 12), match='<b>hello</b>'>

In [13]: re.match(r'<(?P<name>[^>]+?)>.*</(?P=name)>', '<b>hello</p>')

In [14]: re.match('\d','1abcade').group()  # 通过调用group()方法得到匹配的字符串,如果匹配结果为None,则调用group()方法会抛出异常。
Out[14]: '1'

In [15]: re.match(r"(a.)+", "a1b2c3").group(1)   # 可以通过指定序号,获取对应组的匹配结果
Out[15]: 'a1'

In [16]: re.match(r"(..)+", "a1b2c3").group(1)  # 一个组匹配成功多次,就只返回最后一个匹配
Out[16]: 'c3'

In [17]: res = re.match(r"(\w+) (\w+)", "Isaac Newton, physicist")

In [18]: res.group(1)  # 可以通过指定序号,获取对应组的匹配结果
Out[18]: 'Isaac'

In [19]: res.group(2)
Out[19]: 'Newton'

In [20]: res.group(1, 2)
Out[20]: ('Isaac', 'Newton')

In [21]: res.groups()  # 返回一个元组,包含所有匹配的子组
Out[21]: ('Isaac', 'Newton')

In [22]: res = re.match(r"(\w+) (\w+)", "Isaac Newton, physicist") 

In [23]: res[0]   # 这个等价于 m.group(n)。这允许更方便的引用一个匹配结果
Out[23]: 'Isaac Newton'

In [24]: res[1]
Out[24]: 'Isaac'

In [25]: res[2]
Out[25]: 'Newton'  

In [26]: res = re.match(r"(\d+)\.?(\d+)?", "24")

In [27]: res.groups(default=None)  # default参数用于匹配不到结果的组;默认为 None
Out[27]: ('24', None)

In [28]: res.groups(default='0')  # 指定default的值为0,当组匹配不到值时,就是默认值0
Out[28]: ('24', '0')

In [29]: res = re.match(r"(?P<integer>\d+)\.?(?P<decimal>\d+)?", "24") 

In [30]: res.groupdict()  # 返回一个字典,包含了所有的 命名 子组。key就是组名。default参数用于匹配不到结果的组;默认为 None
Out[31]: {'integer': '24', 'decimal': None}

In [32]: res.groupdict(default=0)  # 指定default的值为0,当组匹配不到值时,就是默认值0
Out[32]: {'integer': '24', 'decimal': 0}

re.search(pattern, string, flags=0)

扫描字符串以查找正则表达式模式产生匹配项的第一个位置 ,然后返回相应的 match 对象。如果字符串中没有位置与模式匹配,则返回None。

In [1]: import re

In [11]: re.search('\d','a1bcade').group()
Out[11]: '1'

In [12]: re.search('\d','a1b3cade').group()
Out[12]: '1'

In [61]: re.search('^\d','a1b3cade')  # 以'^'开头的正则表达式可用于 search() ,限制必须从字符串开头匹配,此时作用类似于match()

In [62]: re.search('\d','a1b3cade')
Out[62]: <re.Match object; span=(1, 2), match='1'>    

re.compile(pattern, flags=0)

将正则表达式模式编译为正则表达式对象,可用于 match()search() 以及其他re模块的方法进行正则匹配。

In [1]: import re

In [14]: reg = re.compile(r'[\d]+')

In [16]: re.match(reg,'12asd23').group()
Out[16]: '12'

In [17]: re.search(reg,'asd23').group()
Out[17]: '23'

re.fullmatch(pattern, string, flags=0)

如果整个字符串与正则表达式模式匹配,则返回相应的 match 对象。如果字符串与模式不匹配,则返回None。

In [1]: import re

In [25]: re.fullmatch('\w+','abcade%')

In [26]: re.fullmatch('\w+','abcade')
Out[26]: <re.Match object; span=(0, 6), match='abcade'>

re.split(pattern, string, maxsplit=0, flags=0)

通过出现模式来拆分字符串。

In [1]: import re

In [28]: re.split(r'\W+', 'Words, words, words.')
Out[28]: ['Words', 'words', 'words', '']

In [29]: re.split(r'(\W+)', 'Words, words, words.')  # 如果在 pattern 中使用了捕获括号,那么模式中所有组的文本也将作为结果列表的一部分返回
Out[29]: ['Words', ', ', 'words', ', ', 'words', '.', '']

In [30]: re.split(r'\W+', 'Words, words, words.', 1)  # 如果 maxsplit 不为零,则最多会发生 maxsplit 分割,并将字符串的其余部分作为列表的最后一个元素返回
Out[30]: ['Words', 'words, words.']

In [31]: re.split('[a-f]+', '0a3B9', flags=re.IGNORECASE)
Out[31]: ['0', '3', '9']

In [32]: re.split(r'(\W+)', '...words, words...')   # 如果分隔符在字符串的开头匹配,则结果将从空字符串开始。字符串的末尾也是如此
Out[32]: ['', '...', 'words', ', ', 'words', '...', '']

In [33]: re.split(r'\W+', '...words, words...')
Out[33]: ['', 'words', 'words', '']

In [34]: re.split('[ab]', 'abcd')  # 先按'a'分割得到''和'bcd',在对''和'bcd'分别按'b'分割
Out[34]: ['', '', 'cd']

re.findall(pattern, string, flags=0)

以 string 列表形式返回 string 中 pattern 的所有非重叠匹配项。从左到右扫描该字符串,并以找到的顺序返回匹配项。如果该模式中存在一个或多个组,则返回一个组列表;否则,返回一个列表。如果模式包含多个组,则这将是一个元组列表。空匹配项包含在结果中。

In [1]: import re

In [35]: re.findall('a', 'This is a beautiful place!')
Out[35]: ['a', 'a', 'a']

re.finditer(pattern, string, flags=0)

返回一个迭代器,该迭代器在 string 类型的 RE 模式的所有非重叠匹配中产生匹配对象。 从左到右扫描该字符串,并以找到的顺序返回匹配项。空匹配项包含在结果中。

In [1]: import re

In [36]: re.finditer('a', 'This is a beautiful place!')
Out[36]: <callable_iterator at 0x111735750>

In [37]: res = re.finditer('a', 'This is a beautiful place!')

In [38]: [i.group() for i in res]
Out[38]: ['a', 'a', 'a']

re.sub(pattern, repl, string, count=0, flags=0)

返回 用 repl 替换字符串中最左边的不重叠模式所获得的字符串。如果找不到该模式,则返回的字符串不变。 repl 可以是字符串或函数;如果是字符串,则处理其中的任何反斜杠转义。即,将其转换为单个换行符,将其转换为回车,依此类推。count 参数表示将匹配到的内容进行替换的次数

In [1]: import re

In [43]: re.sub(r'\r', r'\\r', 'GET HTTP/1.1\n200 OK\n')
Out[43]: 'GET HTTP/1.1\n200 OK\n'

In [44]: re.sub(r'\n', r'\\n', 'GET HTTP/1.1\n200 OK\n')
Out[44]: 'GET HTTP/1.1\\n200 OK\\n'

In [47]: re.sub(r'\\n', r'\\\\n', r'GET HTTP/1.1\n200 OK\n')
Out[47]: 'GET HTTP/1.1\\\\n200 OK\\\\n'

In [48]: re.sub('\d', 'S', 'abc12jh45li78', 2) #将匹配到的数字替换成S,替换2个
Out[48]: 'abcSSjh45li78'

In [49]: re.sub('\d', 'S', 'abc12jh45li78') #将匹配到所有的数字替换成S
Out[49]: 'abcSSjhSSliSS'    

re.subn(pattern, repl, string, count=0, flags=0)

执行与相同的操作 sub(),但返回一个元组(new_string, number_of_subs_made)

In [1]: import re

In [50]: re.subn('\d', 'S', 'abc12jh45li78', 3)
Out[50]: ('abcSSjhS5li78', 3)

re.escape(pattern)

得到字符串的原始表现形式。

In [1]: import re

In [55]: re.escape('GET HTTP/1.1\n200 OK\n')
Out[55]: 'GET\\ HTTP/1\\.1\\\n200\\ OK\\\n'
0

评论区