Python正则表达式
15.1 从re模块开始
正则表达式可以对指定的字符串与模式之间执行模式匹配。模式可以是普通的字符串,也可以是含有特殊意义字符的字符串。通过正则表达式,我们可以进行查找,校验等用途。在Python中,我们可以使用re模块来实现正则表达式的模式匹配操作。现在,我们就从最简单的,模式为普通文本字符开始。
模式为普通文本字符,指正则表达式的模式中不含有特殊字符,完全是按照字符本身的内容进行匹配的,这种情况下,实际上就是判断带匹配的文本是否包含模式,与判断子串是否出现在某个主串的含义相同。
第一个正则表达式程序。
模式与待搜索的字符串除了可以是str类型,也可以是bytes类型,但是,二者类型必须一致,不能混淆,否则会产生错误。例如,以下两行代码都是非法的:
re.search(b"cd", "abcdefg")
re.search("cd", b"abcdefg")
疑问:正则表达式的匹配怎么就像是str的in操作呢?
15.2 特殊字符
15.2.1 字符相关
下表中的字符内容可以匹配单个字符。
字符 | 说明 |
---|---|
. | 默认模式下,匹配除换行符(\n)之外的所有单个字符。在S(DOTALL)模式下,匹配所有单个字符。 |
[字符] | 匹配[]内的任意一个字符。[]中可以是单个字符,如[x9k],也可以是一个字符区间,如[a-k],[3-5]。如果需要匹配“-”,可以使用“-”转义,或者将该字符置于[]的两端,如[-axk]或[axk-]。如果需要匹配“]”,可以使用“]”转义,或者将该字符置于[]的最前端,如[]axk]。 |
[^字符] | 匹配不在[]内的任意一个字符,[]的取反匹配。 |
\d | 如果是str类型,匹配Unicode十进制数字,这包括但不限于0 ~ 9,例如0,٧等字符,也能够匹配成功。如果是bytes类型,匹配[0-9]。 |
\D | 匹配非Unicode数字字符,\d的取反匹配。 |
\s | 如果是str类型,匹配Unicode空白符,这包括但不限于[空格\t\v\r\n\f]。如果是bytes类型,匹配[空格\t\v\r\n\f]。 |
\S | 匹配非Unicode空白字符,\s的取反匹配。 |
\w | 如果是str类型,匹配Unicode单词字符,这包括但不限于[a-zA-Z0-9_]。如果是bytes类型,则匹配[a-zA-Z0-9_]。 |
\W | 匹配非Unicode单词字符,\w的取反匹配。 |
\ | 转义字符,对正则表达式的特殊字符进行转义,例如,如果要匹配普通的“.”字符,则可以使用“.”。 |
说明:
\ 在Python中是转义的开始,在正则表达式中也是转义的开始,因此,建议模式使用原始字符串,这样可以减少转义的繁琐性。
15.2.2 次数相关
字符 | 说明 |
---|---|
* | 匹配前面的字符0次或多次。 |
+ | 匹配前面的字符1次或多次。 |
? | 匹配前面的字符0次或1次。 |
{m} | 匹配前面的字符m次。 |
{m,} | 匹配前面的字符至少m次。 |
{,n} | 匹配前面的字符至多n次。 |
{m,n} | 匹配前面的字符m到n次。 |
X? | X表示以上的任意一种模式({m}除外),即在对应的模式字符串后面加上一个问号?,表示该模式的非贪婪模式(否则为贪婪模式)。贪婪模式与非贪婪模式的区别在于:贪婪模式会尽可能匹配最多的字符,而非贪婪模式会尽可能匹配最少的字符。 |
15.2.3 边界相关
字符 | 说明 |
---|---|
^ | 匹配字符串的开头。在多行模式下,可以匹配每一行的开头。 |
$ | 匹配字符串的结尾。在多行模式下,可以匹配每一行的末尾。 |
\A | 仅匹配字符串的开头。 |
\Z | 仅匹配字符串的末尾。 |
\b | 匹配单词的边界。单词可以含有Unicode字符、数字与下划线组成(\w+匹配的内容)。\b匹配的是空串,该空串可以出现在\w(\W)与\W(\w)之间、字符串开头与\w之间或\w与字符串结尾之间。 |
\B | 匹配单词的非边界。\B匹配的是空串,该空串必须出现在两个\w之间。\B是\b的取反匹配。 |
15.2.4 组相关
字符 | 说明 |
---|---|
() | 对()内的字符进行分组。分组后,该组匹配的内容可以单独提取,同时,也可以在模式字符串后面使用\number进行引用。 |
\number | number用来指定组序号,序号从1开始。用来匹配number对应的分组内容。 |
(?:表达式) | 匹配()内的字符,但是不会进行分组。()内匹配的内容也无法单独提取,或者在后面使用\number引用。 |
(?P表达式) | 对()内的字符进行分组,组名为name,多个组之间的名称不能重复。分组后,该组匹配的内容可以单独提取,同时,也可以在模式字符串后面使用(?P=name)或\number进行引用。对比之前()进行的序号分组,此种方式可以称为命名分组。不过,命名分组依然也可以使用序号(\number)进行引用。 |
(?P=name) | 用来匹配同名的分组内容【之前使用(?P)进行的分组】。 |
l | 用来连接两个并列的模式字符串,匹配其中的一个即可。 |
15.2.5 控制标记
正则表达式的第三个参数flag的使用。(3.6后,使用RegexFlag对象)
- I(IGNORECASE)
- M(MULTILINE)
- S(DOTALL)
15.3 相关属性与方法
15.3.1 re模块的函数
re.compile()
re.search()
re.match()
re.findall()
re.finditer()
re.split()
re.sub()
15.3.2 正则表达式对象
正则匹配成功后,会返回一个Match对象,该对象具有如下属性:
.string 待匹配的文本
.re 匹配时使用的patter对象(正则表达式)
.pos 搜索文本的开始位置
.endpos 搜索文本的结束位置
.group() 获得匹配后的字符串
.groups()
.start() 匹配字符串在原始字符串的开始位置
.end() 匹配字符串在原始字符串的结束位置
.span() 返回(.start(), .end())
此外,match对象也具有re函数提供的正则匹配的功能。