正则表达式入门语法及教程(详细)

最新推荐文章于 2022-06-17 09:01:54 发布

CtrlCV工程师

最新推荐文章于 2022-06-17 09:01:54 发布

阅读量347

点赞数

分类专栏： Python 文章标签：正则表达式

本文链接：https://blog.csdn.net/MeYungle/article/details/94960720

版权

Python 专栏收录该内容

40 篇文章 2 订阅

订阅专栏

正则表达式

一、动机

文本处理已经能称为计算机常见工作之一
对文本内容的搜索，定位，提取是逻辑比较复杂的
为了快速方便的解决上述问题，产生了正则表达式

二、简介

定义：即文本的高级匹配模式，提供搜索，替换等功能。其本质是由一系列字符和特殊符号构成的字符串，这个字符串即正则表达式。
原理：通过特殊符号去描述字符的组成规则，比如重复，位置等，来表达一类字符串，进而匹配。

三、元字符的使用

普通字符
- 匹配规则：每个普通字符匹配其对应的字符
- 例：
  - In [4]: re.findall(“刀”,“852刀8dd得到dsdssd55”)
  - Out[4]: [‘刀’]
- 注：可以匹配utf-8字符
或
- 元字符：“ | ”
  - 匹配规则：匹配 “ | ” 两侧任意
  - 例子：
    - In [5]: re.findall(“刀|55”,“852刀8dd得到dsdssd55”)
    - Out[5]: [‘刀’, ‘55’]

匹配单个字符

元字符 " . "
匹配规则：匹配除了换行外的任意字符

例：

- In [8]: re.findall("张.丰","张三丰，张四丰，张五丰")
- Out[8]: ['张三丰', '张四丰', '张五丰']

匹配字符集
- 元字符：[字符集]
- 匹配规则：匹配字符集中任意一个字符
- 表达形式：
- [ffffhj63]==>匹配其中任意一个
- [0-9] [a-z] [A-Z] 匹配区间中任意一个
匹配字符集取反
- 元字符：[ ^字符集 ]
- 匹配规则：除了字符集以外的任意一个字符
匹配字符串开始位置的字符
- 元字符：＂＾＂
- 匹配字符串开始位置的字符
- 例：
```
In [10]: re.findall("^he","hello world")
Out[10]: ['he']
```
匹配字符串结束位置
- 元字符：＄
- 匹配字符串结尾位置的字符
- 例：
```
In [11]: re.findall("ld$","hello world")
Out[11]: ['ld']
```

匹配字符重复

元字符：“ * ”
“ * “也可以代表空
匹配规则：匹配前面的字符出现0次或多次

例：

In [18]: re.findall("wo*","hello wwwooorld")
Out[18]: ['w', 'w', 'wooo']

例：匹配大写字母开头的单词

In [20]: re.findall("[A-Z][a-z]*","Hello Wrold hello")
Out[20]:['Hello', 'Wrold']

元字符：“ + ”
匹配规则：匹配前面的字符出现1次或多个

例：

In [19]: re.findall("wo+","hello wwwooorld")
Out[19]: ['wooo']

元字符：” ？“
匹配规则：匹配前面的字符出现0次或一次

例子：

In [21]: re.findall("-?[1-9][0-9]*","age:19,score:-60,000789")
Out[21]: ['19', '-60', '789']
# -----------------------------------
In [35]: re.findall(r"-?\b[1-9][0-9]*\b","age:19,score:-60,000789")
Out[35]: ['19', '-60']

元字符：{n}
匹配规则：匹配前面的字符出现n次

e.g.：

In [22]: re.findall("1[0-9]{10}","tel:18866556688")
Out[22]: ['18866556688']

元字符：{m，n}

匹配字符串m至n次

In [23]: re.findall("[1-9][0-9]{5,10}","qq:866556688")
Out[23]: ['866556688']

匹配任意（非）数字字符
- 元字符：\d \D
- \d 匹配任意数字字符 [0-9]
- \D 匹配任意非数字字符
匹配任意普通字符（非）普通字符
- 元字符：\w \W
- \w 匹配普通字符
- \W 匹配非普通字符
- 说明：普通字符指的是，数字，字母，下划线，汉字。
```
In [27]: re.findall("\w+","addr=('127.168.0.1,8888')")
Out[27]: ['addr', '127', '168', '0', '1', '8888']
```

匹配任意（非）空字符

元字符 \s \S
\s 匹配任意空字符
\S 匹配任意非空字符

说明：空字符是指，空格，\r \n \t \v \f

In [30]: re.findall("\w+\s+\w+","Hello    Wrold")
Out[30]: ['Hello    Wrold']
In [31]: re.findall("\S+","Hello    Wrold")
Out[31]: ['Hello', 'Wrold']

匹配字符串开头结尾位置(同上)
- 字符串：\A \Z
- \A == " ^ "
- \Z == " $ "
- 使用技巧：如果正在表达式中同时出现 ^ 和 $ ，则两者之间的表达式需要将目标字符串内容全部匹配
匹配单词（非）边界位置
- 元字符： \b \B
- \b 匹配单词边界
- \B
- 说明：单词边界是指普通字符（\w代表的字符）与其他字符的交界位置
```
In [32]: re.findall(r"\bis\b","This is a test")
Out[32]: ['is']
In [35]: re.findall(r"-?\b[1-9][0-9]*\b","age:19,score:-60,000789")
Out[35]: ['19', '-60']
```

总结

匹配字符：

匹配重复：* + ？ { n } { m，n }

匹配位置：

其他：

四、正则表达式的转义

如果使用正则表达式匹配特殊字符，需要加 " \ " 表示转义
- 特殊字符： . * + ? ^ $ [] {} () | \
raw 字符串的使用
- raw字符串：在字符串前面加“ r ”表示该字符串为raw字符串，这样的字符串不会进行转义处理。

五、贪婪与非贪婪

贪婪模式：默认情况下，匹配重复的元字符总是尽可能多的向后匹配更多的内容。比如 * + ？{ m,n }

非贪婪模式（懒惰）：让元字符尽肯能少的匹配内容

贪婪 ==> 非贪婪：

* ==> *?

+ ==> +?

? ==> ??

六、正则表达式分组

定义：在正则表达式中，以（）建立正则表达式内部分组，子组时正则表达式的一部分，可作为内部整体操作
作用：作为内部整体，改变
捕获组
- 给正则表达式子组取一个名字，表达一定的意义，该组就是捕获组。
- 格式：？P
注意事项
- 一个正则表达式中可以有多个分组
- 子组可以嵌套
- 子组顺序一般由外到内，由左到右

七、正则表达式匹配原则

正确性，能够正确的匹配出目标字符串。
排他性，除了目标字符串外尽可能不匹配其他内容。
全面性，尽可能考虑到目标字符串所有情况，不遗漏。

八、Python3 的 re模块

regex = re.compile(pattern,flage = 0 )
功能：生成正则表达式对象
参数：pattern 正则表达式

flage 功能扩展标志位
返回：正则表达式对象
list = re.findall(pattern,string,flags = 0 )

功能：通过正则匹配目标字符串

参数：pattern 正则

string 目标字符串

返回：返回匹配到的内容列表，如果正则中有子组，则列表中元素为子组对应的内容。

list = regex.findall(pattern,pos,flags = 0 )

功能：通过正则匹配目标字符串

参数：string 目标字符串

pos 截取目标字符串开始位置

endpos 截取目标字符串结束位置

返回：返回匹配到的内容列表，如果正则中有子组，则列表中元素为子组对应的内容。

list = re.split(pattern,string,flags = 0)
功能：通过正则匹配内容切割字符串
参数：pattern 正则

string 目标字符串
返回：返回切割后的内容列表。
s = re.sub(pattern,rel,string,count,flags=0)
功能: 使用指定字符串替换匹配到的内容
参数:
- pattern 正则
- rel 指定字符串
- string 目标字符串
- count 替换多少处，默认全部替换
返回值: 返回替换后的字符串

it = re.finditer(pattern,string,flags=0)
功能: 通过正则匹配目标字符串
参数: pattern 正则
string 目标字符串
返回值：返回匹配内容的迭代对象

re.fullmatch(pattern,string,flags=0)
功能: 通过正则匹配目标字符串全部内容
参数: pattern 正则
string 目标字符串
返回值：返回匹配内容的match对象
re.match(pattern,string,flags=0)
功能: 通过正则匹配目标字符串起始内容
参数: pattern 正则
string 目标字符串
返回值：返回匹配内容的match对象
re.search(pattern,string,flags=0)
功能: 通过正则匹配目标字符串第一处内容
参数: pattern 正则
string 目标字符串
返回值：返回匹配内容的match对象

regex对象属性：

flags ： flags标志位值
pattern ：正则表达式
groups ：子组数量
groupindex: 捕获组与组序列号形成的字典

In [6]: regex = re.compile(r"(ab)cd(Pef)",flags=re.I)

In [7]: regex.flags
Out[7]: 34

In [8]: regex.pattern
Out[8]: ‘(ab)cd(?Pef)’

In [9]: regex.groups
Out[9]: 2

In [10]: regex.groupindex
Out[10]: mappingproxy({‘pig’: 2})

match对象属性方法（re/regex2.py）

 1. 属性变量
    	print(obj.pos)   #　匹配目标字符串开始位置
		print(obj.endpos) # 匹配目标字符串结束位置
		print(obj.re)   #　正则表达式
		print(obj.string)  #　目标字符串
		print(obj.lastgroup) # 最后一组的组名
		print(obj.lastindex) #　最后一组序号

 2. 属性方法	    
		start()   获取匹配内容的开始位置
		end()     获取匹配内容的结束位置
		span()    获取匹配内容的起止位置
		groupdict()  获取捕获组组名和对应内容的字典
		groups()   获取子组对应内容

		group() 
		功能: 获取match对象对应内容
		参数: 默认得到全部匹配内容
		      组序号或者组名，则得到对应组内容

表达式全集

字符	描述
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如，“`n`”匹配字符“`n`”。“`\n`”匹配一个换行符。串行“`\\`”匹配“`\`”而“`\(`”则匹配“`(`”。
^	匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性，^也匹配“`\n`”或“`\r`”之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“`\n`”或“`\r`”之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo能匹配“z”以及“zoo”。等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，“`zo+`”能匹配“`zo`”以及“`zoo`”，但不能匹配“`z`”。+等价于{1,}。
?	匹配前面的子表达式零次或一次。例如，“`do(es)?`”可以匹配“`does`”或“`does`”中的“`do`”。?等价于{0,1}。
{n}	n是一个非负整数。匹配确定的n次。例如，“`o{2}`”不能匹配“`Bob`”中的“`o`”，但是能匹配“`food`”中的两个o。
{n,}	n是一个非负整数。至少匹配n次。例如，“`o{2,}`”不能匹配“`Bob`”中的“`o`”，但能匹配“`foooood`”中的所有o。“`o{1,}`”等价于“`o+`”。“`o{0,}`”则等价于“`o*`”。
{n,m}	m和n均为非负整数，其中n<=m。最少匹配n次且最多匹配m次。例如，“`o{1,3}`”将匹配“`fooooood`”中的前三个o。“`o{0,1}`”等价于“`o?`”。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符（*,+,?，{n}，{n,}，{n,m}）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“`oooo`”，“`o+?`”将匹配单个“`o`”，而“`o+`”将匹配所有“`o`”。
.	匹配除“`\`n”之外的任何单个字符。要匹配包括“`\`n”在内的任何字符，请使用像“`(.\|\n)`”的模式。
(pattern)	匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中则使用$0…$9属性。要匹配圆括号字符，请使用“`$`”或“`$`”。
(?:pattern)	匹配pattern但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用或字符“`(\|)`”来组合一个模式的各个部分是很有用。例如“`industr(?:y\|ies)`”就是一个比“`industry\|industries`”更简略的表达式。
(?=pattern)	正向肯定预查，在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，“`Windows(?=95\|98\|NT\|2000)`”能匹配“`Windows2000`”中的“`Windows`”，但不能匹配“`Windows3.1`”中的“`Windows`”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	正向否定预查，在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如“`Windows(?!95\|98\|NT\|2000)`”能匹配“`Windows3.1`”中的“`Windows`”，但不能匹配“`Windows2000`”中的“`Windows`”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始
(?<=pattern)	反向肯定预查，与正向肯定预查类拟，只是方向相反。例如，“`(?<=95\|98\|NT\|2000)Windows`”能匹配“`2000Windows`”中的“`Windows`”，但不能匹配“`3.1Windows`”中的“`Windows`”。
(?<!pattern)	反向否定预查，与正向否定预查类拟，只是方向相反。例如“`(?<!95\|98\|NT\|2000)Windows`”能匹配“`3.1Windows`”中的“`Windows`”，但不能匹配“`2000Windows`”中的“`Windows`”。
x\|y	匹配x或y。例如，“`z\|food`”能匹配“`z`”或“`food`”。“`(z\|f)ood`”则匹配“`zood`”或“`food`”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如，“`[abc]`”可以匹配“`plain`”中的“`a`”。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如，“`[^abc]`”可以匹配“`plain`”中的“`p`”。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，“`[a-z]`”可以匹配“`a`”到“`z`”范围内的任意小写字母字符。
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，“`[^a-z]`”可以匹配任何不在“`a`”到“`z`”范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如，“`er\b`”可以匹配“`never`”中的“`er`”，但不能匹配“`verb`”中的“`er`”。
\B	匹配非单词边界。“`er\B`”能匹配“`verb`”中的“`er`”，但不能匹配“`never`”中的“`er`”。
\cx	匹配由x指明的控制字符。例如，\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则，将c视为一个原义的“`c`”字符。
\d	匹配一个数字字符。等价于[0-9]。
\D	匹配一个非数字字符。等价于0-9。
\f	匹配一个换页符。等价于\x0c和\cL。
\n	匹配一个换行符。等价于\x0a和\cJ。
\r	匹配一个回车符。等价于\x0d和\cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于 \f\n\r\t\v。
\t	匹配一个制表符。等价于\x09和\cI。
\v	匹配一个垂直制表符。等价于\x0b和\cK。
\w	匹配包括下划线的任何单词字符。等价于“`[A-Za-z0-9_]`”。
\W	匹配任何非单词字符。等价于“`[^A-Za-z0-9_]`”。
\xn	匹配n，其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，“`\x41`”匹配“`A`”。“`\x041`”则等价于“`\x04&1`”。正则表达式中可以使用ASCII编码。.
num	匹配num，其中num是一个正整数。对所获取的匹配的引用。例如，“`(.)\1`”匹配两个连续的相同字符。
n	标识一个八进制转义值或一个向后引用。如果n之前至少n个获取的子表达式，则n为向后引用。否则，如果n为八进制数字（0-7），则n为一个八进制转义值。
nm	标识一个八进制转义值或一个向后引用。如果nm之前至少有nm个获得子表达式，则nm为向后引用。如果nm之前至少有n个获取，则n为一个后跟文字m的向后引用。如果前面的条件都不满足，若n和m均为八进制数字（0-7），则nm将匹配八进制转义值nm。
nml	如果n为八进制数字（0-3），且m和l均为八进制数字（0-7），则匹配八进制转义值nml。
\un	匹配n，其中n是一个用四个十六进制数字表示的Unicode字符。例如，\u00A9匹配版权符号（©）。

CtrlCV工程师

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
打赏
1
评论
正则表达式入门语法及教程(详细)

正则表达式一、动机文本处理已经能称为计算机常见工作之一对文本内容的搜索，定位，提取是逻辑比较复杂的为了快速方便的解决上述问题，产生了正则表达式二、简介定义：即文本的高级匹配模式，提供搜索，替换等功能。其本质是由一系列字符和特殊符号构成的字符串，这个字符串即正则表达式。原理：通过特殊符号去描述字符的组成规则，比如重复，位置等，来表达一类字符串，进而匹配。三、元字符的使用...
复制链接

扫一扫