Python正则表达式

提示

为了避免正则表达式中出现太多的反斜杠，建议使用r字符串，r"\n"表示两个字符\和n，前面不加r则表示一个换行符\n。(正则的\要写成\\，而在Python中，也是一样，这就导致在Python写正则时需要写\\\\四个反斜杠)

语法

特殊字符

• .: 在默认模式下匹配除换行的任意字符，如果指定re.DOTALL模式，则匹配包括换行的任意字符

• ^: 匹配字符串的开头，re.MULTILINE模式匹配每行的开头
  

• $: 匹配字符串的结尾，re.MULTILINE模式匹配每行的结尾
  

• *: 前面的正则式匹配0到任意次，默认贪婪匹配（匹配尽可能多的字符）
  

• +: 前面的正则式匹配1到任意次，默认贪婪匹配

• ?: 前面的正则式匹配0到1次, 默认也是贪婪匹配，能匹配到1次绝不匹配0次

• *?,+?,??: 前面那些的非贪婪匹配，能匹配到0次绝不匹配多次
  

• {m}: 前面的正则式匹配 m 个
  

• {m,n}: 前面的正则式匹配 m到n个,默认贪婪模式，后面加?变成非贪婪
  

• \: 转移字符，允许你匹配正则中的特殊字符*,.等

• []: 表示一个字符集合。字符可以单独表示如[ab]，也可以是范围如[a-z],[0-9],[A-Z]，或者是\表示的字符类如[\w]。特殊字符在[]中无特殊含义,如[(+*)]仅表示匹配这四个字符中的其中一个。另外^表示字符集取反，如[^a]表示匹配除a的任意字符，不过如果^不是放到第一就只是字符^。因为[]内必须包含字符，所以[][]是一个整体的表达式，表示匹配[或]
  

• |: A|B表示匹配A或B，如果A已经匹配成功，则不会再对B进行匹配
  

• (): 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。之后可以用\1,\2等表示组合的字符
  

• (?aiLmsux): ‘a’, ‘i’, ‘L’, ‘m’, ‘s’, ‘u’, 'x’分别表示一种模式，比如a(re.A)只匹配ASCII字符，i(re.I)忽略大小写，L(re.L)不建议使用, m(re.M)也就是之前的re.MULTILINE多行模式, s(re.S),也就是re.DOTALL，u(re.U)Unicode匹配,x(re.X)注释模式，允许用#注释
  

• (?:): 非捕获组合，也就是无法使用\1引用了

• (?aiLmsux-imsx:…): 这我没看懂

• (?P<name>): 命名组合，未命名的组合是通过从1递增的数字来引用，命名后可以通过名字引用如(?P=name),当然数字引用依旧可用。如果是传递给re.sub函数中的repl参数则应该写成\g<name>
  

• (?P=name): 引用一个命名组合，见上一个

• (?#…): 注释，里面的内容会被忽略

• (?=…): 匹配…的内容但是并不会消费它
  

• (?!…): 匹配 … 不符合的情况
  

• (?<=B)A: 匹配正则A，如果它前面的字符满足B
  

• (?<!…): 上面的那个取反的结果

• (?(id/name)yes-pattern|no-pattern): 如果给定的id或name捕获组存在且匹配到内容，则匹配yes-pattern指定的正则，不然就匹配no-pattern指定的正则
  

• \A: 只匹配字符串开始
  

• \b: 匹配空字符串，但只在单词开始或结尾的位置
  

• \B: \b的取反结果
  

• \d: 一般指匹配[0-9]

• \D: \d取反集[^\d]

• \s: 匹配所有空白字符，对于ASCII指的是[ \t\n\r\f\v]6个字符

• \S: \s取反

• \w: 匹配构成语句(世界各种语言的都算)的字符，对于ASCII指[a-zA-Z0-9_]

• \W: \w取反

• \Z: 只匹配字符串尾，和\A类似

python中的转义字符在正则中基本都能解析正常，只有\b在正则中有特殊含义

\a      \b      \f      \n
\N      \r      \t      \u
\U      \v      \x      \\

Python re库

re.compile(pattern, flags=0)

将正则表达式pattern编译成正则表达式对象。说实话，没用过这个函数，都是直接调re的方法

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

扫描整个 字符串 找到匹配样式的第一个位置，并返回一个相应的match对象.如果没有匹配，就返回一个 None

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

匹配字符串的开头，即使在re.MULTILINE 模式下也只是匹配开头，不会匹配多行

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

如果string整个能匹配pattern正则，则返回match对象

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

用正则pattern切割字符串string，如果pattern包含捕获组()，则捕获组的内容也会在切割结果里

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

对 string 返回一个不重复的 pattern 的匹配列表， string 从左到右进行扫描，匹配按找到的顺序返回.

如果存在捕获组，则返回捕获组的结果，如果存在多个，则返回多个结果组成的元组

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

pattern 在 string 里所有的非重复匹配，返回为一个迭代器 iterator 保存了match对象

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

用repl替换从string中用pattern匹配出的内容，repl可以是字符串也可以是函数。

如果是函数，那参数为pattern匹配到的结果(match对象)，返回值为替换后的内容。

如果是字符串，可以使用捕获组的命名和id，写法：\g<name>和\g<number>，虽然也支持\number的形式，但为了避免歧义（比如\20不知道是\2加字符0还是\20），所以建议使用\g<1>而不是\1

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

同re.sub，但返回一个元组 (字符串, 替换次数)

re.escape(pattern)

转移pattern中的特殊字符，比如’.‘转为’.’

re.purge()

清除正则表达式的缓存

match对象

Match.expand(template)

对 template 进行反斜杠转义替换并且返回。比如替换\1, \g<1>, \g<name>为相应的内容

Match.group([group1, …])

给捕获组的命名或id，返回一个或多个捕获组的内容，返回结果是一个字符串或多个字符串组成的元组。不给参数默认为0

Match.getitem(g)

允许使用[0] [1]的格式获取结果

Match.groups(default=None)

返回一个包含所有子捕获组的元组

Match.groupdict(default=None)

返回一个包含所有命名的捕获组的字典

Match.start([group])和Match.end([group])

返回 group 匹配到的字串的开始和结束标号。m.group(1)就相当于m.string[m.start(1):m.end(1)]

Match.span([group])

返回一个二元组 (m.start(group), m.end(group))。如果没有，返回(-1,-1)

Match.pos和Match.endpos

正则引擎开始和停止在字符串搜索一个匹配的索引位置

Match.lastindex和Match.lastgroup

捕获组的最后一个匹配的整数索引值和最后一个匹配的命名组名字

Match.re

返回产生这个实例的 正则对象

Match.string

传递到 match() 或 search() 的字符串

例子

“abcbdog” 匹配出最接近dog的b，即bdog