『Python学习笔记』Python正则表达式详细介绍

AI新视界

已于 2023-12-29 15:33:20 修改

阅读量1.4k

点赞数 6

分类专栏： Python学习笔记文章标签：正则表达式 python

于 2021-12-04 01:31:49 首次发布

引用请附上作者博客链接https://zhangkaifang.blog.csdn.net/，谢谢理解！

本文链接：https://blog.csdn.net/abc13526222160/article/details/120495030

版权

Python学习笔记专栏收录该内容

45 篇文章 39 订阅

订阅专栏

Python正则表达式详细介绍！

一. 正则表达式基础

1.1. 简单介绍

正则表达式并不是Python的一部分。正则表达式是用于 处理字符串 的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。
下图展示了使用 正则表达式进行匹配的流程：

正则表达式的大致匹配过程是：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。如果表达式中有量词或边界，这个过程会稍微有一些不同，但也是很好理解的，看下图中的示例以及自己多使用几次就能明白。

1.2. Python支持的正则表达式元字符和语

1.2. `正则表达式中^的用法(限定开头和取反)`

1.3. 数量词的贪婪模式(Python里数量词默认)与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。Python里数量词默认是贪婪的 (在少数语言里也可能是默认非贪婪)，总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符。例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。而如果使用非贪婪的数量词"ab*?"，将找到"a"。

1.4. 反斜杠的困扰

与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用 r"\\"表示。同样，匹配一个数字的"\\d"可以写成r"\d"。有了原生字符串，你再也不用担心是不是漏写了反斜杠，写出来的表达式也更直观。
注意：'r'是防止字符转义的如果路径中出现'\t'的话不加r的话\t就会被转义而加了'r'之后'\t'就能保留原有的样子。

1.5. 匹配模式

正则表达式提供了一些可用的匹配模式，比如 忽略大小写、多行匹配 等，这部分内容将在Pattern类的工厂方法 re.compile(pattern[, flags]) 中一起介绍。

二. re模块

2.1. 开始使用re

Python通过 re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果(一个Match实例)，最后使用Match实例获得信息，进行其他的操作。

import re

# 将正则表达式编译为Pattern对象
pattern = re.compile(r'hello')

# 使用Pattern匹配文本，获得匹配结果，无法匹配返回None
match = pattern.match('hello world!')
if match:
    # 使用Match获得分组信息
    print(match.group())
# 返回结果：
hello

re.compile(strPattern[, flag])
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符’|'表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。

re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
S(DOTALL): 点任意匹配模式，改变'.'的为 任意行为
L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

具体见下图：

Python正则表达式，这一篇就够了：https://zhuanlan.zhihu.com/p/127807805

a = re.compile(r"""\d +  # the integral part
                   \.    # the decimal point
                   \d *  # some fractional digits""", re.X)

b = re.compile(r"\d+\.\d*")

re提供了众多模块方法用于完成正则表达式的功能。这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，但同时也无法复用编译后的Pattern对象。这些方法将在Pattern类的实例方法部分一起介绍。如上面这个例子可以简写为：

m = re.match(r'hello', 'hello world!')
print(m.group())
# 返回结果：
hello

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回，在需要大量匹配元字符时有那么一点用。

2.2. Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性如下：

string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法如下：

group([group1, …]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
start([group]):
返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
end([group]):
返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。> 1. group默认值为0。
span([group]):
返回(start(group), end(group))。
expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符’0’，只能使用\g<1>0。

import re
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!!')

print(m.string)
print(m.re)
print(m.pos)
print(m.endpos)
print(m.lastindex)
print(m.lastgroup)

print(m.group(1, 2))
print(m.groups())
print(m.groupdict())
print(m.start(2))
print(m.end(2))
print(m.span(2))
print(m.expand(r'\2 \1\3'))

2.3. Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile() 进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

pattern: 编译时用的表达式字符串。
flags: 编译时用的匹配模式。数字形式。
groups: 表达式中分组的数量。
groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

import re

p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
print(f"p.pattern:{p.pattern}")
print(f"p.flags:{p.flags}")
print(f"p.groups:{p.groups}")
print(f"p.groupindex:{p.groupindex}")

执行结果

2.3.1. 实例方法[或re模块方法]

1). match()

match(string[, pos[, endpos]]) 或者 re.match(pattern, string[, flags]):
这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
pos和endpos的默认值分别为0和len(string)；re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。
注意： 这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。示例参见2.1小节。

2). search()

search(string[, pos[, endpos]]) 或者 re.search(pattern, string[, flags]):
这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。
pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

import re 
 
# 将正则表达式编译成Pattern对象 
pattern = re.compile(r'world') 
 
# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None 
# 这个例子中使用match()无法成功匹配 
match = pattern.search('hello world world!') 

if match: 
    # 使用Match获得分组信息 
    print(match.group()) 
# 执行结果：
world

import re

text = '"学校"	"反映麻步镇正虹饲料厂每晚八九点钟开始排放浓烈刺鼻气味的气体，有时白天也会排放，严重影响附近村民和学校学生生活和学习。"'
keywords = ["垃圾", "废物", "废弃物", "废料", "废油桶废水", "污水", "汽油", "化学物品", "腐蚀", "硫酸", "烟花", "易燃易爆", "煤气罐", "刺鼻", "异味"]
print("|".join(keywords))
re.search("|".join(keywords), text)

垃圾|废物|废弃物|废料|废油桶废水|污水|汽油|化学物品|腐蚀|硫酸|烟花|易燃易爆|煤气罐|刺鼻|异味
<re.Match object; span=(28, 30), match='刺鼻'>

3). split()

split(string[, maxsplit]) 或者 re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

import re
 
p = re.compile(r'\d+')
print(p.split('one1two2three3four4', maxsplit=2))
print(p.split('one1two2three3four4'))

# 执行结果
# ['one', 'two', 'three3four4']
# ['one', 'two', 'three', 'four', '']

4). findall()

findall(string[, pos[, endpos]]) 或者 re.findall(pattern, string[, flags]):
搜索string，以列表形式 返回全部能匹配的子串。

import re
 
p = re.compile(r'\d+')
print(p.findall('one1two289eethree3four4'))
 
# 执行结果
# ['1', '289', '3', '4']

5). finditer()

inditer(string[, pos[, endpos]]) 或者 re.finditer(pattern, string[, flags]):
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

import re
 
p = re.compile(r'\d+')
for m in p.finditer('one1two289three3four4'):
    print(m.group(), end=" ")
 
# 执行结果
# 1 289 3 4

6). sub()

使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
count用于指定最多替换次数，不指定时全部替换。

import re
 
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
 
print(p.sub(r'\2 \1', s))

def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print(p.sub(func, s))
 
# 执行结果
# say i, world hello!
# I Say, Hello World!

7). subn()

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。

import re
 
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
 
print(p.subn(r'\2 \1', s))

def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print(p.subn(func, s))
 
# 执行结果
# ('say i, world hello!', 2)
# ('I Say, Hello World!', 2)

三. 正则表达式匹配中文

1. 匹配字符串中的第一个中文字符(search)：

import re

p = re.compile(r'[\u4e00-\u9fa5]')
text='123,39rjqkefq张开放，王晓明12,李争23fe！'

match = p.search(text)
print(match)
# print(match.group())

# 执行结果：
# <re.Match object; span=(13, 14), match='张'>

2. 匹配字符串中的第一个连续的中文片段(search)：

import re

p = re.compile(r'[\u4e00-\u9fa5]+')
text='123,39rjqkefq张开放，王晓明12,李争23fe！'

match = p.search(text)
print(match)
# print(match.group())

# 执行结果：
# <re.Match object; span=(13, 16), match='张开放'>

3. 匹配字符串中的所有中文字符：

import re

p = re.compile(r'[\u4e00-\u9fa5]')
text='123,39rjqkefq张开放，王晓明12,李争23fe！'

match = p.findall(text)
print(match)

# 执行结果：
# ['张', '开', '放', '王', '晓', '明', '李', '争']

4. 匹配字符串中的所有中文字符：

import re

p = re.compile(r'[\u4e00-\u9fa5]+')
text='123,39rjqkefq张开放，王晓明12,李争23fe！'

match = p.findall(text)
print(match)

# 执行结果：
# ['张开放', '王晓明', '李争']

注意：要确保正则字符和匹配文本是 unicode 范围内的编码。

正则匹配中文应用如下：

import re

p = re.compile('([a-z]+.[a-z]+)([\u4e00-\u9fa5]+)')

text = 'box.bty图例框的类型，box.lty决定是否为虚线，box.lwd决定粗线，box.col决定颜色'
match = p.findall(text)
print(match)
# print(re.findall(r'([a-z]+.[a-z]+)([\u4e00-\u9fa5]+)',s))

# 执行结果：
# [('box.bty', '图例框的类型'), ('box.lty', '决定是否为虚线'), ('box.lwd', '决定粗线'), ('box.col', '决定颜色')]

四. 别名`(?P<name>[0-9]{4})`和邮箱和`(.?)`与`(.)`的区别

4.1. 别名

import re

pattern = re.compile('您尾号(?P<trading_partner>[0-9]{4})的储蓄卡.*?(?P<time>[0-9]{1,2}月[0-9]{1,2}日[0-9]{1,2}时[0-9]{1,2}分[0-9]{0,2}秒?).*?(?P<method>收入|支出|提现)人民币(?P<amount>[0-9]*\,*[0-9]+\.*[0-9]*).*?\[(?P<trader>建设银行)]')

text = "您尾号2462的储蓄卡6月7日12时52分向财付通-肯德基消费支出人民币22.50元,活期余额27.54元。[建设银行]"
result = pattern.match(text)
dict = result.groupdict()
print(dict)

# 执行结果：
{'trading_partner': '2462', 'time': '6月7日12时52分', 'method': '支出', 'amount': '22.50', 'trader': '建设银行'}

4.2. 邮箱

import re

pattern = re.compile(".*?(?P<content>[\.\-a-zA-Z0-9]+@[\-a-zA-Z0-9]+\.[a-zA-Z]+)")
def extract(text):
    result = []
    if "@" in text:                # 先判断这些关键词是否在text中，如果不在，直接不用正则匹配, 提升速度；
        res = pattern.match(text)
        if not res:  # 当前规则匹配失败，使用下一条匹配规则
            pass
        else:        # 当前规则匹配成功
            dict = res.groupdict()
            dict["type"] = 4
            dict["field_type"] = 406
            result.append(dict)
    return result

if __name__ == '__main__':
    text = "泸州照涵电子商务有限公司kaifang.zkf-8410477036@163-a.com   EE997788"
    # text = "所有人阿玛尼满钻售价349元@40高佣 卡直播有男粉的 线上结算的 转化率超高 配合豆荚玩 投产1比5以上 12点后申请 马上申请 马上跑的http://pub.alimama.com/myunion.htm#!/promo/self/campaign? campaignId=116030358&amp;shopkeeperId=1381270173&amp;userNumberId=2208827680894记住一定要申请定向链接   不然系统会错误 佣金 结算错误阿玛尼满钻349元40高佣1号链接：https://item.taobao.com/item.htm? spm=a21an.7676007.1998473182.218.553a61db96iGal&amp;id=626203129761阿玛尼带手表349元链接：https://item.taobao.com/item.htm? spm=a21an.7676007.1998473182.233.553a61db96iGal&amp;id=626203565271阿玛尼石英表349元链接：https://item.taobao.com/item.htm? spm=a21an.7676007.1998473182.228.553a61db96iGal&amp;id=626203457304满天星摩天轮349元链接：https://item.taobao.com/item.htm? spm=a21an.7676007.1998473182.213.553a61db96iGal&amp;id=626202777905满天星银色石英表349链接：https://item.taobao.com/item.htm? spm=a21an.7676007.1998473182.203.553a61db96iGal&amp;id=625884876313百度网盘 提取  最新阿玛尼素材链接：https://pan.baidu.com/s/1bPvy5waOi4Ufz-9vXlWbeg 提取码：0ez0淘宝要跑线下结算的 也可以找我  线下发货后 结算百分之70"
    print(extract(text))

# 输出结果
# [{'content': 'kaifang.zkf-8410477036@163-a.com', 'type': 4, 'field_type': 406}]
# Process finished with exit code 0

4.3. `(.?)`与`(.)`的区别

首先在正则表达式中，通过 () 是可以代表要提取的内容的，如参考：https://blog.csdn.net/weixin_43487902/article/details/88407311

在这里插入图片描述

五. 邮箱、身份证、手机号、电话、域名、IP地址、日期、邮编、中文字符…

使用Python验证常见的50个正则表达式：https://zhuanlan.zhihu.com/p/338826624

六. python正则匹配re.search与re.findall的区别

https://www.cnblogs.com/taoyuanming/p/10863865.html

六. 参考文献

主要参考了以下作者，这里表示感谢！
Python正则表达式指南(推荐)：https://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
Python正则表达式，这一篇就够了(推荐)：https://zhuanlan.zhihu.com/p/127807805
使用Python验证常见的50个正则表达式：https://zhuanlan.zhihu.com/p/338826624
python 正则表达式中匹配中文： https://www.cnblogs.com/shanger/p/12922135.html
python正则过滤字母、中文、数字及特殊字符方法详解！ https://www.jb51.net/article/180132.htm

AI新视界

关注

6
点赞
踩
18

收藏

觉得还不错? 一键收藏
打赏
0
评论
『Python学习笔记』Python正则表达式详细介绍

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正则表达式，只需要简单看一看就可以上手了。
复制链接

扫一扫