正则表达式
动机
- 文本处理已经成为计算机的常见工作之一
- 对文本内容的搜索,定位,提取是逻辑比较复杂的工作
- 为了快速解决上述问题,产生了正则表达式技术
定义 : 即文本的高级匹配模式,提供搜索,替代等功能
其本质是一系列由特殊符号组成的字串,这个字串即
正则表达式
匹配原理 : 由普通字符和特殊符号组成字符串,通过描述
字符的重复和位置等行为,达到匹配某一类字符串的目的
目标 :
- 熟练掌握正则表达式符号
- 实现基本的文本搜索,定位,提取,理解正则用法
- 能够使用re模块操作正则表达式
特点:
- 方便文本处理
- 支持语言众多
- 使用灵活多样
python —》 re模块
re.findall(pattern,string)
功能: 使用正则表达式匹配目标字符串内容
参数: pattern 正则表达式
string 目标字符串
返回值: 列表, 列表中为匹配到的内容
元字符的使用
- 普通字符
元字符 : a b c
匹配规则: 每个字符匹配对应的字符
- 或
元字符: |
匹配规则: 匹配 | 两边任意一个正则表达式
In [3]: re.findall(“ad|cd”,“abcdefghialkjasbab”)
OUT[3]: [‘ab’,‘cd’,‘ab’]
3.匹配单个字符
元字符: .
匹配规则: 匹配除换行外的任意字符
f.o --> foo fao f@o f o
- 匹配开始位置
元字符 : ^
匹配规则: 匹配目标字符串的开头位置
In [9]: re.findall("^Tom",“Tom is a boy”)
Out[9]: [‘Tom’]
- 匹配结束位置
元字符 : $
匹配规则 : 匹配字符串的结束位置
In [10]: re.findall(“Tom$”,“hi Tom”)
Out[10]: [‘Tom’]
6.匹配重复
元字符 : *
匹配规则: 匹配前面的字符出现0次或多次
fo* --> foooooooo f fo
In [11]: re.findall(“fo*”,“fadsfafoooafo”)
Out[11]: [‘f’, ‘f’, ‘fooo’, ‘fo’]
- 匹配重复
元字符 : +
匹配规则: 匹配前面的字符出现1次或多次
fo+ --> fo fooooo
In [12]: re.findall(“fo+”,“fadsfafoooafo”)
Out[12]: [‘fooo’, ‘fo’]
- 匹配重复
元字符 : ?
匹配规则: 匹配前面的字符出现0次或1次
fo? --> f fo
In [13]: re.findall(“fo?”,“fasdffoafooooo”)
Out[13]: [‘f’, ‘f’, ‘fo’, ‘fo’]
9.匹配重复
元字符 : {n}
匹配规则: 匹配指定的重复次数
fo{3} --> fooo
In [14]: re.findall(“fo{2}”,“fasdffoafooooo”)
Out[14]: [‘foo’]
10.匹配重复
元字符 :{m,n}
匹配规则 : 匹配前面的正则表达式 m–n次
fo{2,4} --> foo fooo foooo
In [16]: re.findall(“fo{2,4}”,“fasdfofoooafooooo”)
Out[16]: [‘fooo’, ‘foooo’]
11.匹配字符集合
元字符: [字符集]
匹配规则 : 匹配任意一个字符集中的字符
[abc123] a b c 1 2 3 12
[a-z]
[A-z]
[0-9]
[_123a-z]
In [21]: re.findall("1[a-z]*",“Boy”)
Out[21]: [‘Boy’]
12.匹配字符集
元字符 : [^…]
匹配规则 : 字符集取非,除了列出的字符之外任意一个字符
[^abc] --> 除a b c 之外任意字符
In [22]: re.findall("[^ ]+",“a little boy”)
Out[22]: [‘a’, ‘little’, ‘boy’]
- 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 [0-9]
\D 匹配任意非数字字符 [^0-9]
n [24]: re.findall(“1\d{10}”,“18888886666”)
Out[24]: [‘18888886666’]
In [25]: re.findall("\D+",“Num9”)
Out[25]: [‘Num’]
14.匹配任意 (非) 普通字符
元字符: \w \W
匹配规则: \w 普通字符 [_0-9a-zA-Z] 也能匹配普通汉字
\W 非普通字符
15.匹配任意 (非) 空字符
元字符 :\s 匹配任意空字符 [ \r\t\n\v\f]
\S 匹配任意非空字符
In [29]: re.findall("\w+\s+\w+",“hello world”)
Out[29]: [‘hello world’]
In [26]: re.findall("\S+",“hello this is tom”)
Out[26]: [‘hello’, ‘this’, ‘is’, ‘tom’]
- 匹配字符串位置
元字符: \A \Z
匹配规则: \A 匹配字符串开头位置 ^
\Z 匹配字符串结尾位置 $
绝对匹配 :正则表达式要完全匹配目标字符串内容
在正则表达式开始和结束位置加上^ $ (或者\A \Z). 这样
正则表达式必须匹配整个目标字符串才会有结果
In [32]: re.findall("\A\d+\Z",“123445”)
Out[32]: [‘123445’]
- 匹配 (非) 单词边界
元字符 : \b \B
匹配规则 : \b 匹配单词边界位置
普通字符和非普通字符交界认为是单词编辑
\B 匹配非单词边界位置
IIn [34]: re.findall(r"num\b",“num#asdf#”)
Out[34]: [‘num’]
In [35]: re.findall(r"num\b",“numasdf#”)
Out[35]: []
元字符总结
匹配单个字符 : a . \d \D \w \W \s \S
[…] [^…]
匹配重复 : * + ? {n} {m,n}
匹配位置 : ^ $ \A \Z \b \B
其他: | () \
正则表达式转义
正则中的特殊符号:
. * + ? ^ $ [] {} () |
正则表达式如果匹配特殊字符需要加 \ 表达转义
正则 目标字符串
e.g. $\d+ ----> $10
python pattern string
“\$\d+” “$10”
raw r"$\d+" “$10”
raw字串 : 原始字符串对内容不解释转义,就表达内容
原本意义
贪婪与非贪婪
贪婪模式 : 正则表达式的重复匹配总是尽可能多的向后
匹配更多内容
-
- ? {m,n}
非贪婪 (懒惰模式) : 尽可能少的匹配内容
贪婪 —》 非贪婪 *? +? ?? {m,n}?
贪婪
In [36]: re.findall(r"ab{3,5}?",“abbbbbbbb”)
Out[36]: [‘abbb’]
非贪婪
In [37]: re.findall(r"ab{3,5}",“abbbbbbbb”)
Out[37]: [‘abbbbb’]
正则表达式的子组
可以使用()为正则表达式建立子组,子组可以看做是正则
表达式内部操作的一个整体
- 子组是在正则表达式整体匹配到内容的前提下才会发挥
作用,它不影响正则表达式整体去匹配目标内容这一原则
子组作用
1.作为内部整体可以改变某些元字符的行为
In [42]: re.search(r"(ab)+\d+",“ababab1234”).group()
Out[42]: ‘ababab1234’
In [44]: re.search(r"\w+@\w+.(com|cn)",“abc@123.com”).group()
Out[44]: ‘abc@123.com’
2.子组在某些操作中可以单独提取出匹配内容
In [46]: re.search(r"(https|http|ftp)😕/\S+",
“https://www.baidu.com”).group(1)
Out[46]: ‘https’
子组使用注意事项
- 一个正则表达式中可以有多个子组
- 子组一般由外到内,由左到右称之为第一,第二,第三。
…子组 - 子组不能重叠,嵌套也不宜很多
捕获组 和非捕获组
格式 : (?pparrern)
e.g.
re.search(r"(?pab)cdef",‘abcdefghti’).group(‘dog’)
Out[95]: ‘ab’
作用 : 可以通过组名更方便获取某组内容
正则表达式设计原则
- 正确性, 能正确匹配到目标内容
- 排他性,除了要匹配的内容,尽可能不会匹配到其他内容。
- 全面性, 需要对目标的各种情况进行考虑,做到不遗漏
re模块
regex = compile(pattern,flags=0)
功能 : 生成正则表达式对象
参数 : pattern 正则表达式
flags 功能标志位,丰富正则表达式的匹配功能
返回值 : 返回正则表达式对象
re.findall(pattern,string,flags)
功能 : 从目标字符串查找正则匹配内容
参数 : pattern 正则表达式
string 目标字符串
flags 标志位
返回值 : 返回匹配到的内容
如果正则有子组则只返回子组对应内容
regex.findall(string,pos,endpos)
功能 : 从目标字符串查找正则匹配内容
参数 : string 目标字符串
pos 匹配目标的起始位置
endpos 匹配目标的终止位置
返回值 : 返回匹配到的内容
如果正则有子组则只返回子组对应内容
re.split(pattern,string,flags=0)
功能: 根据正则匹配内容切割字符串
参数: pattern string flags
返回值: 返回列表,列表中为切割的内容
re.sub(pattern,replaceStr,string,max,flags)
功能: 替换正则匹配到的目标子串部分
参数: pattern
replaceStr : 要替换的内容
string
max 最多替换几处 默认全部替换
flags 标志位
返回值 : 返回替换后的字符串
re.subn(pattern,replaceStr,string,max,flags)
功能: 替换正则匹配到的目标子串部分
参数: pattern
replaceStr : 要替换的内容
string
max 最多替换几处 默认全部替换
flags 标志位
返回值 : 返回一个元组,为实际替换了几处和替换后的
字符串
re.finditer(pattern,string,flags)
功能 : 使用正则表达式匹配目标字符串
参数 : pattern string flags
返回值: 返回一个迭代对象,迭代到的内容是一个match对象
fullmatch(pattern,string,flags)
功能:完全匹配目标字符串
参数:pattern,string,flags
返回值: 返回匹配到的match对象,
如果没匹配成功返回None
match(pattern,string,flags)
功能:从开头位置匹配目标字符串
参数:pattern,string,flags
返回值: 返回匹配到的match对象,
如果没匹配成功返回None
search(pattern,string,flags)
功能:从开头位置匹配目标字符串,只匹配第一处
参数:pattern,string,flags
返回值: 返回匹配到的match对象,
如果没匹配成功返回None
compile对象属性:
flags : 标志位
pattern : 正则表达式
groups; 有多少子组
groupindex : 捕获组形成组名和序列号的字典
组名为键, 第几组为值
A-Z ↩︎