正则表达式定义:
是一种小型的,高效专业化的编程语言,(在python中)它内嵌在python中,并通过re模块实现。
——可以为想要匹配的相应字符串集值定规则
——该字符串集可能包含英文语句,e-mail地址,命令或者任何你想要搞定的东西。
——可以问诸如“这个字符串匹配该模式吗?”
——“在这个字符串中是否有部分匹配该模式呢?”
——你也可以使用re以各种方式来修改或分隔字符串。
正则表达式模式被编译成一系列的字节码,然后由用C编写的匹配引擎执行
正则表达式语言相对小型和受限(功能有限)
——并非所有字符串处理都能用正则表达式完成
字符串匹配
——普通字符
————大多数字母和字符一般都会和自身匹配
————如正则表达式test会和字符串“test”完全匹配
——元字符:. ^ $ * + ? {} [] \ | ()
元字符详解:
一个小例子:
import re
r =
r"^abc$"(红色的r表示元字符串,保留格式啊之类)
re.fandall(r,'abc')
['abc']
.:
匹配除“\n”之外的任何单个字符。若要匹配包括“\n”在内的任意字符,请使用诸如“[\s\S]”之类的模式。
[]:
——常用来指定一个字符集:[abc];[a-z]
——元字符在字符集中不起作用:[akm$]
——补集匹配不在区间范围内的字符:[^5]
^:
——匹配行首。除非设置MULTILINE标志,它只是匹配字符串的开始。在MULTILINE模式里,它也可以直接匹配字符串中的每个换行。
$:
——匹配行尾,行尾被定义为要么是字符串尾,要么是一个换行字符后面的任何位置。
\:转义字符:
——反斜杠后面可以加不同的字符以表示不同特殊意义
——也可以用于取消所有的元字符:\[或\\
——\d匹配任何十进制数;它相当于类[0~9]
——\D匹配任何非数字字符;它相当于类[^0~9]
——\s匹配任何空白字符;它相当于类[\t\n\r\f\v]
——\S匹配任何非空白字符;它相当于类[^\t\n\r\f\v]
——\w匹配任何字母数字字符;它相当于类[a-zA-Z0-9_]
——\W匹配任何非字母数字字符;它相当于类[^a-zA-Z0-9_]
重复:
——正则表达式第一功能是能够匹配不定长的字符集,另一个功能就是你可以指定正则表达式的一部分的重复次数。
*:
——指定前一个字符可以被匹配0次或者更多次,而不是只有一次,匹配引擎会试着重复尽可能多的次数(不超过整数界定范围,20亿)
+:
——表示匹配一或更多次。
——注意+和*之间的不同;*匹配0或更多次,所以可以根本就不出现,而+则要求至少出现一次
?
——匹配一次或0次;你可以认为它由于标识某事物是可选的
最小匹配(非贪婪匹配):ab+?
{m,n}:
——其中m和n是十进制整数。该限定符的意思是至少有m个重复,至多到n个重复。a/{1,3}b
——忽略m会认为下边界是0,而忽略n的结果将是上边界为无穷大(实际上是20亿)
——{0,}等同于*,{1,}等同于+,而{0,1}则与?相同。如果可以的话,最好使用*,+,?
r = r"^010-\d{8}"表示把\d重复8次
使用正则表达式:
——re模块提供了一个正则表达式引擎的接口,可以让你将REstring编译成对象并对它们来进行匹配。
——编译正则表达式:
#!pythonimport rep = re.compile('ab*')print (p)<re.RegexObject instance at 80b4150>
——re.compile()也接受可选的标志参数,常用来实现不同的特殊功能和语法变更
#!python
p = re.compile('ab*',re.IGNORECASE)
——反斜杠的麻烦
字符串前加“r”反斜杠就不会被任何特殊方式处理
\section要匹配的字符串
\\section为re.compile取消反斜杠的特殊意义
"\\\\section"为"\\section"的字符串实值(string literals)取消反斜杠的特殊意义
执行匹配
'RegexObject'实例有一些方法和属性,完整的列表可查阅Python Library Reference
方法/属性 | 作用 |
match()
| 决定RE是否在字符串刚开始的位置匹配 |
search()
| 扫描字符串,找到这个RE匹配的位置 |
findall()
|
找到RE匹配的所有子串,并把它们作为一个列表返回
|
finditer() | 找到RE匹配的所有子串,并把它们作为一个迭代器返回 |
如果成功的话,就会返回一个‘MatchObject’实例
MatchObject实例方法
方法/属性
|
作用
|
group() |
返回被RE匹配的字符串
|
start()
| 返回匹配开始的位置 |
end()
|
返回匹配结束的位置
|
span()
|
返回一个元组包含匹配(开始,结束)的位置
|
在实际程序中,最常见的作法是将‘MatchObject’保存在一个变量里,然后检查它是否为None
#!pythonp = re.compile(......)m = p.match('string goes here')if m:print 'MATCH FOUND :',m.group()else:print 'NO MATCH'
模块级函数
——re模块也提供了顶级函数调用如match(),search(),sub(),subn(),split(),findall()等
编译标志-flags
标志 |
含义
|
DOTALL,S
|
使.匹配包括换行在内的所有字符
|
IGNORECASE,I
|
使匹配对大小写不敏感
|
LOCALE,L
| 做本地化识别()匹配.法语等""或"" |
MULTILINE,M
| 多行匹配,影响^和$ |
VERBOSE,X
|
能够使用REs的verbose状态,使之被组织得更清晰易懂
|
charref = re.compile(r"""
(
[0-9]+[^0-9]
|0[0-7]+[^0-7]
|x[0-9a-fA-F]+[^0-9a-fA-F]
)
""",re.VERBOSE)
分组
email=r"\w{3}@\w+(\.com|\.cn)"(里面的小括号就系进行分组)
而且在分组匹配时,只返回分组里的数据