正则表达式 在线正则表达式测试
| Tedu Python 教学部 |
|---|
| Author：吕泽 |
文章目录
动机（针对文本文件）
-
文本处理已经成为计算机常见工作之一
-
对文本内容的搜索，定位，提取是逻辑比较复杂的工作
-
为了快速方便的解决上述问题，产生了正则表达式技术
简介
- 定义（起源于脚本语言perl）
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，这个字串即正则表达式。
- 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。
- 目标
-
熟练掌握正则表达式元字符
-
能够读懂常用正则表达式，编辑简单的正则规则
-
能够熟练使用re模块操作正则表达式
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
e.g.
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
e.g.
In : re.findall('com|cn',"www.baidu.com/www.tmooc.cn")
Out: ['com', 'cn']
匹配单个字符
- 元字符： .
（一个点代表一个字符
如：re.findall(‘b…u’,“www.baidu.com/www.tmooc.cn”)）
- 匹配规则：匹配除换行外的任意一个字符
e.g.
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，零散的写在前面
e.g.
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
e.g.
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
e.g.
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
e.g.
In : re.findall('Jame$',"Hi,Jame")
Out: ['Jame']
- 规则技巧: ^ 和 必 然 出 现 在 正 则 表 达 式 的 开 头 和 结 尾 处 。 如 果 两 者 同 时 出 现 ， 则 中 间 的 部 分 必 须 匹 配 整 个 目 标 字 符 串 的 全 部 内 容 。 如 ： r e . f i n d a l l ( ′ J a m e 必然出现在正则表达式的开头和结尾处。如果两者同时出现，则中间的部分必须匹配整个目标字符串的全部内容。 如：re.findall('^Jame 必然出现在正则表达式的开头和结尾处。如果两者同时出现，则中间的部分必须匹配整个目标字符串的全部内容。如：re.findall(′Jame',‘Jame’) 完全匹配，^，$中间的字符必须与后面完全匹配
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
e.g.
In : re.findall('wo*',"wooooo~~w!")
Out: ['wooooo', 'w']
In [45]: re.findall('[A-Z][a-z]*','Tom is^ note Jame')
Out[45]: ['Tom', 'Jame']
-
元字符：+
-
匹配规则： 匹配前面的字符出现1次或多次
e.g.
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
e.g. 匹配整数
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
e.g. 匹配手机号码
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
e.g. 匹配qq号
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
\d -->[0-9] \D → [^0-9] -
匹配规则：\d 匹配任意数字字符，\D 匹配任意非数字字符
e.g. 匹配端口
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。
e.g.
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 (垂直制表符) \f 字符
\r 回车 \t tab \v (垂直制表符)
e.g.
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
\A → ^ \Z → $
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。
e.g.
In : re.findall(r'\bis\b',"This is a test.")
Out: ['is']
| 类别 | 元字符 |
|---|---|
| 匹配字符 | . […] [^…] \d \D \w \W \s \S |
| 匹配重复 | * + ? {n} {m,n} |
| 匹配位置 | ^ $ \A \Z \b \B |
| 其他 | | () \ |
正则表达式的转义
- 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: . * + ? ^ $ [] () {} | \
e.g. 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']
- 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。
e.g.
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+"
原生字符串（内部不会做解析操作）：
In [12]: re.findall(’\bis\b’,“this is a test”)
Out[12]: []
In [13]: re.findall(’\bis\b’,“this is a test”)
Out[13]: [‘is’]
In [14]: re.findall(r’\bis\b’,“this is a test”)
Out[14]: [‘is’]
贪婪模式和非贪婪模式
- 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。
- 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}?
e.g.
In : re.findall(r'\(.+?\)',"(abcd)efgh(higk)")
Out: ['(abcd)', '(higk)']
正则表达式分组
- 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。
- 作用
- 可以被作为整体操作，改变元字符的操作对象
e.g. 改变 +号 重复的对象
In : re.search(r'(ab)+',"ababababab").group()
Out: 'ababababab'
e.g. 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'
- 可以通过编程语言某些接口获取匹配内容中，子组对应的内容部分
e.g. 获取url协议类型
re.search(r'(https|http|ftp|file)://\S+',"https://www.baidu.com").group(1)
- 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<name>pattern)
e.g. 给子组命名为 "pig"
In : re.search(r'(?P<pig>ab)+',"ababababab").group('pig')
Out: 'ab'
- 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
- 正确性,能够正确的匹配出目标字符串.
- 排他性,除了目标字符串之外尽可能少的匹配其他内容.
- 全面性,尽可能考虑到目标字符串的所有情况,不遗漏.
Python re模块使用
参考代码day13/regex.py
regex = compile(pattern,flags = 0)
功能: 生产正则表达式对象
参数: pattern 正则表达式
flags 功能标志位,扩展正则表达式的匹配
返回值: 正则表达式对象
re.findall(pattern,string,flags = 0)
功能: 根据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
flags 功能标志位,扩展正则表达式的匹配
返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容
regex.findall(string,pos,endpos)
功能: 根据正则表达式匹配目标字符串内容
参数: string 目标字符串
pos 截取目标字符串的开始匹配位置
endpos 截取目标字符串的结束匹配位置
返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容
re.split(pattern,string,flags = 0)
功能: 使用正则表达式匹配内容,切割目标字符串
参数: pattern 正则表达式
string 目标字符串
flags 功能标志位,扩展正则表达式的匹配
返回值: 切割后的内容列表
re.sub(pattern,replace,string,max,flags = 0)
功能: 使用一个字符串替换正则表达式匹配到的内容
参数: pattern 正则表达式
replace 替换的字符串
string 目标字符串
max 最多替换几处,默认替换全部
flags 功能标志位,扩展正则表达式的匹配
返回值: 替换后的字符串
re.subn(pattern,replace,string,max,flags = 0)
功能: 使用一个字符串替换正则表达式匹配到的内容
参数: pattern 正则表达式
replace 替换的字符串
string 目标字符串
max 最多替换几处,默认替换全部
flags 功能标志位,扩展正则表达式的匹配
返回值: 替换后的字符串和替换了几处
参考代码day13/regex1.py
re.finditer(pattern,string,flags = 0)
功能: 根据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
flags 功能标志位,扩展正则表达式的匹配
返回值: 匹配结果的迭代器
re.fullmatch(pattern,string,flags=0)
功能：完全匹配某个目标字符串
参数：pattern 正则
string 目标字符串
返回值：匹配内容match object
注: 匹配时，会在pattern前后加上^$,使它能够完全匹配成功
re.match(pattern,string,flags=0)
功能：匹配某个目标字符串开始位置
参数：pattern 正则
string 目标字符串
返回值：匹配内容match object
re.search(pattern,string,flags=0)
功能：匹配目标字符串第一个符合内容
参数：pattern 正则
string 目标字符串
返回值：匹配内容match object
compile对象属性
【1】 pattern ： 正则表达式
【2】 groups ： 子组数量
【3】 groupindex ： 捕获组名与组序号的字典
match对象的属性方法
参考代码day13/regex2.py
- 属性变量
- pos 匹配的目标字符串开始位置
- endpos 匹配的目标字符串结束位置
- re 正则表达式
- string 目标字符串
- lastgroup 最后一组的名称
- lastindex 最后一组的序号
- 属性方法
-
span() 获取匹配内容的起止位置
-
start() 获取匹配内容的开始位置
-
end() 获取匹配内容的结束位置
-
groupdict() 获取捕获组字典，组名为键，对应内容为值
-
groups() 获取子组对应内容
-
group(n = 0)
功能：获取match对象匹配内容 参数：默认为0表示获取整个match对象内容，如果是序列号或者组名则表示获取对应子组内容 返回值：匹配字符串
flags参数扩展
参考代码day13/flags.py
-
使用函数：re模块调用的匹配函数。如：re.compile,re.findall,re.search…
-
作用：扩展丰富正则表达式的匹配功能
-
常用flag
A == ASCII 元字符只能匹配ascii码
I == IGNORECASE 匹配忽略字母大小写
S == DOTALL 使 . 可以匹配换行
M == MULTILINE 使 ^ $可以匹配每一行的开头结尾位置
-
使用多个flag
方法：使用按位或连接
e.g. ： flags = re.I | re.A
应内容为值
-
groups() 获取子组对应内容
-
group(n = 0)
功能：获取match对象匹配内容 参数：默认为0表示获取整个match对象内容，如果是序列号或者组名则表示获取对应子组内容 返回值：匹配字符串
[外链图片转存中…(img-9JoyMZoJ-1570791190557)]
flags参数扩展
参考代码day13/flags.py
-
使用函数：re模块调用的匹配函数。如：re.compile,re.findall,re.search…
-
作用：扩展丰富正则表达式的匹配功能
-
常用flag
A == ASCII 元字符只能匹配ascii码
I == IGNORECASE 匹配忽略字母大小写
S == DOTALL 使 . 可以匹配换行
M == MULTILINE 使 ^ $可以匹配每一行的开头结尾位置
-
使用多个flag
方法：使用按位或连接
e.g. ： flags = re.I | re.A
扫一扫
471
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
