Python 正则表达式

在处理字符串时，经常会有查找符合某些复杂规则的字符串的需求，正则表达式就是用来描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

一、行定位符：行定位符用来描述子串的边界。“^”表示行的开始，“$”表示行的结尾。

1.要匹配的子串出现在字符串的开头部分，如：

^tm

该表达式表示要匹配的字符串是以tm开头的，如“tm is time”就可以匹配，而“time is tm”就不匹配。

2.要匹配的子串出现在字符串的结尾，如：

tm$

该表达式表示要匹配的字符串是以tm结尾的，如“time is tm”就可以匹配。

3.要匹配的子串出现在字符串的任意部分，可以直接写成：

tm

这样“tm is time”和“time is tm”就都可以匹配了。

二、元字符

1.先以一个例子引入一下元字符:

\bmr\w*\b

上面的正则表达式用于匹配以字母mr开头的单词，先从某个单词开始处(\b)，然后匹配字母mr，接着时任意数量的字母或数字(\w*)，最后是单词结束(\b)。该表达式可以匹配“mrsoft”、“mrbook”、“mr123mm”等等，但是与“amr”是不匹配的。

2.常用的元字符：

元字符	说明
.	匹配除换行符以外的任何字符
\w	匹配字母、数字、下划线、汉字
\W	匹配除字母、数字、下划线、汉字以外的字母
\s	匹配单个空白符(包括<tab>键和换行符)
\S	匹配除单个空白符(包括<tab>键和换行符)以外的所有字符
\d	匹配数字
\b	匹配单词的开始或结束，单词的分界符通常是空格、标点符号、换行
^	匹配字符串的开始
$	匹配字符串的结尾

三、限定符

1.先以一个例子引入限定符

在上面的例子中，使用(\w*)可以匹配任意数量的字母或数字。如果想匹配特定数量的数字，就需要用到限定符来实现该功能了。例如匹配11位的手机号可用如下的表达式：

^\d{11}$

2.常用的限定符：

限定符	说明	举例
?	匹配前面的字符零次或一次	colou?r，该表达式可以匹配colour和color
+	匹配前面的字符一次或多次	go+gle，该表达式可以匹配的范围从gogle到goo...gle
*	匹配前面的字符零次或多次	go*gle，该表达示可以匹配的范围从ggle到go...gle
{n}	匹配前面的字符n次	go{2}gle，该表达式可以匹配google
{n,}	匹配前面的字符至少n次	go{1,}gle，该表达式可以匹配的范围从gogle到goo...gle
{n,m}	匹配前面的字符至少n次，至多m次	employe{0,2}，该表达式可以匹配employ，employe，employee

四、字符类

正则表达式查找数字和字母是很简单的，因为已经有了对应这些字符集合的元字符（如 “\d”，“\w”）,但是要匹配没有预定义元字符的字符集和（比如元音字母a、e、i、o、u），应该怎么办呢？

很简单，只需要在方括号里列出他们即可，像[aeiou]就可以匹配任何一个元音字符，[.?!]匹配标点符号（“.”或“?”或"!"）。也可以轻松指定一个字符的范围，像[0-9]代表的含义与“\d”完全一样：一位数字；同理，[a-z0-9A-Z]也完全等同于"\w"(如果只考虑英文的话)

注：要想匹配给定字符串中任意一个汉字，可以使用“[\u4e00-\u9fa5]”；如果要匹配连续多个汉字，可以使用“[\u4e00-\u9fa5]+”。

五、排除字符：^

上面列出了匹配指定字符集合的字符串。现在反过来，匹配不符合指定字符集和的字符串。正则表达式中提供了"^"字符，这个字符前面提到过，是表示行的开始。而这里将其放到方括号中表示排除的意思，如：

[^a-zA-Z]

该表达式用于匹配一个不是字母的字符。

六、选择字符：|

举个例子：匹配身份证号，身份证号为15位或18位。如果是15位，则全部为数字；如果是18位，前17位全为数字，最后一位是数字或者或X或x。这个例子中包含着条件选择的逻辑，这就需要选择字符（ | ）来实现，该字符的意思是“或”。匹配身份证号的正则表达式为：

(^\d{15}$)|(^\d{18}$)|(^\d{17})(\d|x|X)$

七、分组：（）

1.（）的第一个作用就是可以改变限定符的作用范围，如：|，*，^。如下面的表达式：

(six|four)th

这个表达式的意思是匹配单词sixth或fourth，如果不使用小括号，就变成了匹配单词six或fourth了。

2.（）的第二个作用是分组，也就是子表达式。如：

(\.[0-3]{1,3}){3}

这个表达式的意思就是对分组(\.[0-3]{1,3})进行3次重复操作。

八、转义字符：\，r

1.转义字符\:

正则表达式中的转义字符（\）和python中的大同小异，都是将特殊字符（如：“.”，“?”，"\"等）变为普通的字符。举个例子：用正则表达式匹配如“127.0.0.1”这样的IP地址，如果直接使用点字符，格式为：

[1-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}

这样显然不对，因为“.”可以匹配任意一个字符。这时，不仅是“127.0.0.1”这样的IP，连“127000001”这样的子串也会被匹配出来。所以在使用“.”时，需要使用转义字符（\）,修改上面的格式为：

[1-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}

2.在python中使用正则表达式语法（关于r的使用）：

在python中使用正则表达式时，是将其作为模式字符串使用的。例如，将匹配不是字母的一个字符的正则表达式表示为模式字符串，可以使用以下代码：

'[^a-zA-Z]'

而如果将匹配以字母m开头的单词的正则表达式转换为模式字符串，则不能直接在其两侧添加引号界定符，例如：'\bm\w*\b'是不正确的，而需要将“\”进行转义，转义后的结果为：'\\bm\\w*\\b‘。这样看起来是不是有点混乱呢？

由于模式字符串中可能包含大量的特殊字符和反斜杠，所以需要写为原生字符串，即在模式匹配串前加r或R，例如：

r'\bm\w*\b'

九、使用re模块实现正则表达式操作：

1.匹配字符串：使用re模块提供的match(),search(),findall()等方法。

1.1使用match()方法进行匹配：match()方法从字符串的开始进行匹配，如果匹配成功返回Match对象，否则返回None：

re.match(pattern,string[,flags])

• pattern：模式字符串，由要匹配的正则表达式转换而来。
• string：要匹配的字符串。
• flags：可选参数，表示标志位，用于控制匹配方式，如区分大小写。常用的标志位如下：

标志	说明
A或ASCII	对于\w, \W, \b, \B, \d, \D, \s, \S只进行ASCII匹配（仅适用于python3.x）
I或IGNORECASE	执行不区分字母大小写的匹配
M或MULTILINE	将^和$用于包括整个字符串开始和结尾的每一行（默认情况下，仅适用于整个字符串的开始和结尾处）
S或DOTALL	使用(.)字符匹配所以字符，包括换行符
X或VERBOSE	忽略模式字符串中未转义的空格和注释

例如：匹配字符串是否以“mr”开头，不区分大小写：

import re
pattern=r'mr\w*'
string='Mr hello'
match=re.match(pattern,string,re.I)
print(match)                             #输出匹配结果
print('匹配值的起始位置：',match.start()) #获取匹配值的起始位置
print('匹配值的结束位置：',match.end())   #获取匹配值的结束位置
print('匹配位置的元组：',match.span())    #获取匹配位置的元组
print('要匹配的字符串：',match.string)    #获取进行匹配的字符串
print('匹配数据',match.group())          #获取进行匹配的字符串中可以匹配的子串

#运行结果
<re.Match object; span=(0, 2), match='Mr'>
匹配值的起始位置： 0
匹配值的结束位置： 2
匹配位置的元组： (0, 2)
要匹配的字符串： Mr hello
匹配数据 Mr

从上面的示例中可以看出，Match对象中包含了匹配值和匹配数据。其中：

• Match中的start()方法用以获取匹配值的起始位置
• end()方法：获取匹配值的结束位置
• span()方法：获取匹配位置的元组
• string()方法：获取进行匹配的字符串
• group()方法：获取进行匹配的字符串中可以匹配的数据

1.2使用search()方法进行匹配：search()方法用于在整个字符串中搜索第一个匹配的值，如果匹配成功则返回Match对象，否则返回None：

re.search(pattern,string[,flags])

例如：搜索第一个以“mr”开头的字符串，不区分大小写

import re
string='helloMR_right Mr_Di mr_helon'
pattern='mr\w*'
match=re.search(pattern,string,re.I)
print(match)

#运行结果
<re.Match object; span=(5, 13), match='MR_right'>

1.3使用findall()方法进行匹配；findall()方法用于整个字符串搜索所有符合正则表达式的字符串，并以列表的形式返回。如果匹配成功，则返回包含匹配结果的列表，否则返回空列表：

re.findall(pattern,string[,flags])

例如：搜索以“MR”开头的字符串，不区分大小写：

import re
string='helloMR_right Mr_Di mR_helon'
pattern='mr\w*'
match1=re.findall(pattern,string,re.I)
match2=re.findall(pattern,string)
print(match1)
print(match2)

#运行结果
['MR_right', 'Mr_Di', 'mR_helon']
[]

如果在指定的模式字符串中，包含分组，则返回与分组匹配的文本列表，例如：

import re
pattern=r'[1-9]{1,3}(.[0-9]{1,3}){3}'
str1='126.0.0.1 197.165.1.77'
match=re.findall(pattern,str1)
print(match)

#运行结果
['.1', '.77']

从上面的结果中可以看出，并没有得到匹配的IP地址，这是因为在模式字符串中出现了分组，所以得到的结果是根据分组进行匹配的结果，即“(.[0-9]{1,3})”匹配的结果。如果想获取整个模式字符串的匹配的结果，可以将整个模式字符串使用一对小括号进行分组，然后在获取结果时，只取返回值列表的每个元素（列表中的元素是元组）的第一个元素。如下：

import re
pattern=r'([1-9]{1,3}(.[0-9]{1,3}){3})'
str1='126.0.0.1 197.165.1.77'
match=re.findall(pattern,str1)
print(match)
for item in match:
    print(item[0])

#运行结果
[('126.0.0.1', '.1'), ('197.165.1.77', '.77')]
126.0.0.1
197.165.1.77

2.替换字符串：sub()方法用于实现字符串的替换，语法格式如下：

re.sub(pattern,repl,string[,count][,flags])

• pattern：表示模式字符串，由要匹配的正则表达式转换而来
• repl：表示替换的字符串
• string：要进行操作的原始字符串
• count：可选参数，替换次数，默认为0，表示替换所有的匹配
• flags：可选参数，表示标志位，用于控制匹配方式，如是否区分字母大小写。

例如：将一串字符中的手机号替换为“1*********”

import re
pattern='1[34578]\d{9}'
repl='1*******'
string='Mr Swan 小姐的手机号是17812345673'
result=re.sub(pattern,repl,string)
print(result)

#运行结果
Mr Swan 小姐的手机号是1*******

3.使用正则表达式分割字符串：split()方法用于正则表达式分割字符串，并以列表的形式返回。

re.split(pattern,string[,maxsplit][,flags])

• pattern：·表示模式字符串，由要匹配的正则表达式转换而来
• string：要匹配的字符串
• maxsplit：可选参数，表示最大的拆分次数
• flags：可选参数，表示标志位，用于控制匹配方式，如是否区分大小写

例如：

import re
pattern='1[34578]\d{9}'
string='Mr Swan 小姐的手机号是17812345673这不是座机'
result=re.split(pattern,string)
print(result)

#运行结果
['Mr Swan 小姐的手机号是', '这不是座机']