Python之正则表达式介绍

动机

【1】 文本处理已经成为计算机常见工作之一

【2】对文本内容的搜索，定位，提取是逻辑比较复杂的工作

【3】为了快速方便的解决上述问题，产生了正则表达式技术

简介

    1. 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串，这个字串即正则表式。

    2. 原理

            通过普通字符和有特定含义的字符，来组成字符串，用以描述一定的字符串规则，比如：重复，位置等，来表达某类特定的字符串，进而匹配。

元字符使用

    普通字符

匹配规则：每个普通字符匹配其对应的字符

In : re.findall('ab',"abcdefabcd")

Out: ['ab', 'ab']

注意事项：正则表达式在python中也可以匹配中文

或关系

元字符: |

匹配规则: 匹配 | 两侧任意的正则表达式即可

In : re.findall('com|cn',"www.baidu.com/www.tmooc.cn")

Out: ['com', 'cn']

匹配单个字符

元字符： .

匹配规则：匹配除换行外的任意一个字符

In : re.findall('张.丰',"张三丰,张四丰,张五丰")

Out: ['张三丰', '张四丰', '张五丰']

匹配字符集

元字符： [字符集]

匹配规则: 匹配字符集中的任意一个字符

表达形式:

              [abc#!好] 表示 [] 中的任意一个字符

              [0-9],[a-z],[A-Z] 表示区间内的任意一个字符

              [_#?0-9a-z] 混合书写，一般区间表达写在后面

In : re.findall('[aeiou]',"How are you!")

Out: ['o', 'a', 'e', 'o', 'u']

匹配字符集反集

元字符：[^字符集]

匹配规则：匹配除了字符集以外的任意一个字符

In : re.findall('[^0-9]',"Use 007 port")

Out: ['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']

匹配字符串开始位置

元字符: ^

匹配规则：匹配目标字符串的开头位置

In : re.findall('^Jame',"Jame,hello")

Out: ['Jame']

匹配字符串的结束位置

元字符: $

匹配规则: 匹配目标字符串的结尾位置

In : re.findall('Jame$',"Hi,Jame")

Out: ['Jame']

规则技巧: ^ 和 $必然出现在正则表达式的开头和结尾处。如果两者同时出现，则中间的部分必须匹配整个目标字符串的全部内容。

匹配字符重复

元字符: *

匹配规则：匹配前面的字符出现0次或多次

In : re.findall('wo*',"wooooo~~w!")

Out: ['wooooo', 'w']

元字符：+

匹配规则： 匹配前面的字符出现1次或多次

In : re.findall('[A-Z][a-z]+',"Hello World")

Out: ['Hello', 'World']

元字符：?

匹配规则： 匹配前面的字符出现0次或1次

In [28]: re.findall('-?[0-9]+',"Jame,age:18, -26")

Out[28]: ['18', '-26']

元字符：{n}

匹配规则： 匹配前面的字符出现n次

In : re.findall('1[0-9]{10}',"Jame:13886495728")

Out: ['13886495728']

元字符：{m,n}

匹配规则： 匹配前面的字符出现m-n次

In : re.findall('[1-9][0-9]{5,10}',"Baron:1259296994")

Out: ['1259296994']

匹配任意（非）数字字符

元字符： \d \D

匹配规则：\d 匹配任意数字字符，\D 匹配任意非数字字符

In : re.findall('\d{1,5}',"Mysql: 3306, http:80")

Out: ['3306', '80']

匹配任意（非）普通字符

元字符： \w \W

匹配规则: \w 匹配普通字符，\W 匹配非普通字符

说明: 普通字符指数字，字母，下划线，汉字。

In : re.findall('\w+',"server_port = 8888")

Out: ['server_port', '8888']

匹配任意（非）空字符

元字符： \s \S

匹配规则: \s 匹配空字符，\S 匹配非空字符

说明：空字符指 空格 \r \n \t \v \f 字符

In : re.findall('\w+\s+\w+',"hello world")

Out: ['hello world']

匹配开头结尾位置

元字符： \A \Z

匹配规则： \A 表示开头位置，\Z 表示结尾位置

匹配（非）单词的边界位置

元字符： \b \B

匹配规则： \b 表示单词边界，\B 表示非单词边界

说明：单词边界指数字字母(汉字)下划线与其他字符的交界位置。

In : re.findall(r'\bis\b',"This is a test.")

Out: ['is']

总结分类

正则表达式的转义

1. 如果使用正则表达式匹配特殊字符则需要加 \ 表示转义。

特殊字符: . * + ? ^ $ [] () {} | \

匹配特殊字符 . 时使用 \ 表示本身含义

In : re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23")

Out: ['123', '-123', '1.23', '-1.23']

2. 在编程语言中，常使用原生字符串书写正则表达式避免多重转义的麻烦。

python字符串 --> 正则 --> 目标字符串

"\\$\\d+"   解析为   \$\d+   匹配   "$100"

"\\$\\d+"   等同于   r"\$\d+"

贪婪模式和非贪婪模式

1. 定义

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内容。比如: * + ? {m,n}

非贪婪模式(懒惰模式): 让匹配重复的元字符尽可能少的向后匹配内容。

2. 贪婪模式转换为非贪婪模式

在匹配重复元字符后加 '?' 号即可

* : *?

+ : +?

? : ??

{m,n} : {m,n}?

In : re.findall(r'\(.+?\)',"(abcd)efgh(higk)")

Out: ['(abcd)', '(higk)']

正则表达式分组

    1. 定义

        在正则表达式中，以()建立正则表达式的内部分组，子组是正则表达式的一部分，可以作为内部整体操作对象。

    2. 作用

        可以被作为整体操作，改变元字符的操作对象

示例：改变 +号 重复的对象

In : re.search(r'(ab)+',"ababababab").group()

Out: 'ababababab'

示例：改变 |号 操作对象

In : re.search(r'(王|李)\w{1,3}',"王者荣耀").group()

Out: '王者荣耀'

    3. 捕获组

        可以给正则表达式的子组起一个名字，表达该子组的意义。这种有名称的子组即为捕获组。

格式： (?P<组名>pattern)

示例：给子组命名为 "pig"

In : re.search(r'(?P<pig>ab)+',"ababababab").group('pig')

Out: 'ab'

    4. 注意事项

一个正则表达式中可以包含多个子组

子组可以嵌套，但是不要重叠或者嵌套结构复杂

子组序列号一般从外到内，从左到右计数

正则表达式匹配原则

    【1】正确性,能够正确的匹配出目标字符串.

    【2】排他性,除了目标字符串之外尽可能少的匹配其他内容.

    【3】全面性,尽可能考虑到目标字符串的所有情况,不遗漏.