Python正则表达式（一）

前言

正则表达式（Regular Expression），就是具有一定规则的表达式。通过正则表达式引擎，将这些规则转换为正则表达式对象，然后再去文本中搜索能够与之匹配的字符串。

正则表达式的语法都是一样的，只是不同编程语言的实现不同，大部分都是师从Perl。

对Perl语言有所了解的朋友，学习python正则应该是手到擒来。

正则表达式入门

Python中的re模块提供了强大的正则表达式功能。

而第三方模块regex提供了与标准库re模块兼容的API接口, 同时还提供了额外的功能和更全面的Unicode支持。

匹配字符

大多数字母和字符只会匹配自身，例如：python只会匹配自己，不会匹配Python。

但是有一些字符串，它们不表示自身，而是具有一些特殊含义，只能通过\转义之后才表示自身。

这些字符包括：

. ^ $ * + ? { } [ ] \ | ( )

.:

• 在默认模式中，匹配除换行外所有字符，如果指定了DOTALL标签，则表示任意字符

import re

"""
re.findall(pattern, string, flags=0)
pattern: 匹配规则，字符串
string: 需要去匹配的字符串

从左到右进行扫描，匹配按找到的顺序返回。如果样式里存在一个或多个组，就返回一个组合列表
"""

re.findall('ab.', 'abc') 
# Out[1]: ['abc']

re.findall('ab.', 'ab\n') 
# Out[2]: []

re.findall('ab.', 'ab\n', re.DOTALL)
# Out[3]: ['ab\n']

^:

• 匹配字符串的开头， 如果是MULTILINE模式，匹配每行开头(\n之后)的首个符号。
• 在字符集中可表示’非’，[^a]表示除字符a之外的字符。

re.findall('^ab', 'abcda\nabddd')                                     
# Out[4]: ['ab']

re.findall('^ab', 'abcda\nabddd', re.MULTILINE)
# Out[5]: ['ab', 'ab']

re.findall('[^a]', 'aaa\nbbb')
# Out[6]: ['\n', 'b', 'b', 'b']

$:

• 匹配字符串的末尾，或者在字符串末尾换行符的前一个字符。
• 在 MULTILINE 模式下匹配每行末尾(\n之前)的字符。

re.findall('ab$', 'abcdab\nabdab')                                   
# Out[7]: ['ab']

# 上面结果中的 ab 是 \n 前面的还是后面的呢？进行如下测试，发现是后面的 ab 被匹配了
re.findall('ab.$', 'abcdab1\nabdab2')
# Out[8]: ['ab2']

# 在 MULTILINE 模式下，两个都被匹配了
re.findall('ab$', 'abcdab\nabdab', re.MULTILINE)
# Out[9]: ['ab', 'ab']

# 而对 $ 在换行结尾的字符串中匹配时，会得到两个空字符，一个在换行符之前，一个在字符串的末尾
re.findall('$', 'abcdab1\n')
# Out[10]: ['', '']

*:

• 匹配前一个规则0次或无限次

re.findall('ab*', 'a')
# Out[11]: ['a']

re.findall('ab*', 'ab')
# Out[12] ['ab']

re.findall('ab*', 'abbbbbbbbbbbbbb')
# Out[13] ['abbbbbbbbbbbbbb']

+:

• 匹配前一个规则1次或无限次

re.findall('ab+', 'a')
# Out[14]: []

re.findall('ab+', 'ab')
# Out[15] ['ab']

re.findall('ab+', 'abbbbbbbbbbbbbb')
# Out[16] ['abbbbbbbbbbbbbb']

?:

• 匹配前一个规则0次或1次

re.findall('ab?', 'a')
# Out[17]: ['a']

re.findall('ab?', 'ab')
# Out[18] ['ab']

re.findall('ab?', 'abbbbbbbbbbbbbb')
# Out[19] ['ab']

.?,*?,??:

• .,*,?修饰符都是贪婪的，会尽可能的匹配更多的字符串
• 贪婪的我，当然是赞越多越好呀。
• 而在这些修饰符后面加上?，便成了非贪婪模式，会尽可能少的匹配字符串

re.findall('<.*>', '<a>bcd>')
# Out[20] ['<a>bcd>']

re.findall('<.*?>', '<a>bcd>')
# Out[21] ['<a>']

{m}:

• 指定前面的正则表达式出现的次数，出现次数必须完全一致。

re.findall('a{3}', 'aa') 
# Out[22]: []

re.findall('a{3}', 'aaaaa')
# Out[23]: ['aaa']

{m, n}:

• 指定前面的正则表达式出现的次数在m~n之间，尽可能多的匹配，匹配的下界是m，上界是n。
• 若缺省m，下界为0，若缺省n，为不设上界，即无限次。

re.findall('a{3, 5}', 'aaaa') 
# Out[24]: []

# 3,5 之间不能添加空格
re.findall('a{3,5}', 'aaaa')
# Out[25]: ['aaaa']

re.findall('a{3,}', 'aaaa')
# Out[26]: ['aaaa']

re.findall('a{,5}', 'aaaa')
# Out[27] ['aaaa', '']

{m, n}?:

• 即非贪婪模式，尽可能少的匹配字符串。

re.findall('a{3,}?', 'aaaaa')
# Out[28] ['aaa']

\:

• 转义特殊字符。如'\.'只表示.，而不再是表示任意字符。
• 匹配\字符需要转义，用\\表示

re.findall('\.', 'aa')
# Out[29] []

re.findall('\.', 'aa.')
# Out[30] ['.']

• 反斜杠灾难：反斜杠具有转义作用，如果需要匹配的字符串中存在多个\，就需要调加相应数量的\来转义

re.findall('\\\\ab', '\\abc') # ['\\ab']
"""
在反复使用反斜杠的正则中，这会导致大量重复的反斜杠，
并使得生成的字符串难以理解。
解决方案:
  使用 Python 的原始字符串表示法来表示正则表达式；
  'r' 为前缀的字符串，反斜杠不再表示转义
"""
re.findall(r'\\ab', '\\abc')  # ['\\ab']

re.findall(r'\n', '\n')       # ['\n']

[ ]:

• 表示字符集集合。匹配该字符需要转义\[,\]

# 1、单独列出，匹配 a、b 或 c
re.findall('[abc]', 'ab.')
# Out[31]: ['a', 'b']

"""
2、字符范围：
[a-j]: 表示小写字母 a~j
[1-6]:表示数字 1~6
转义: 如 [a\-z] 或者它的位置在首位或者末尾（[-a] 或 [a-]），它就只表示普通字符 '-'。
""" 
re.findall('[a\-z]', '-')
# Out[32]: ['-']

re.findall('[-a]', '-')
# Out[33]: ['-']

re.findall('[a-]', '-')
# Out[34]: ['-']

"""
3、特殊字符失去特殊含义
  比如 [(+*)] 只会匹配这几个字符 '(', '+', '*', or ')'。
"""
re.findall('[(+*)]', '+-*/()')
# Out[35] ['+', '*', '(', ')']

"""
4、字符类
 可以使用字符类：\w，\S 等，它们可以匹配的字符由 ASCII 或者 LOCALE 模式决定。
"""
re.findall('[\w]', 'abfagg-/*-')
# Out[36] ['a', 'b', 'f', 'a', 'g', 'g']

"""
5、取反
如果集合首字符是 '^' ，所有不在集合内的字符将会被匹配
[^^] 将匹配所有字符，除了 '^'. 
^ 如果不在集合首位，就没有特殊含义。
"""
# 非 \w 定义的字母
re.findall('[^\w]', 'abfagg-/*-')
# Out[37] ['-', '/', '*', '-']

"""
6、匹配字符 ']'
两种方法
  加上反斜杠
  放到集合首位
"""
# 加上反斜杠
re.findall('\]', 'abc]')
# Out[38] [']']

# 放到集合首位
re.findall('[]{}]', ']abc')
# Out[39] [']']

|:

• 或。A|B，匹配正则表达式A或B，A、B可以是任何正则表达式。
• 如果A匹配成功，则不会再匹配B。
• 匹配|字符需要转义，\|或[|]

re.findall('a|b', 'acb')
# Out[40] ['a', 'b']

re.findall('[|]', 'ab|c')
# Out[41] ['|']

(...):

• 小括号，可以组合表达式，匹配括号内的组合表达式，并标注表达式的开始和结束位置，可用于后续捕获
• 每对小括号代表一个组合，可以通过\number的方式引用组合，\1表示第一个组合。
• 要匹配字符 ( 或者 ), 用 \( 或 \), 或者放在字符集合里: [(], [)]。

re.findall('a(b+)', 'abbb')
# Out[42] ['bbb']
。
re.findall(r'(b)a\1', 'bab')
# Out[43] ['b']

总结